Warum liefert dieselbe Suche unterschiedliche Antworten?
Zwei Menschen stellen dieselbe Frage und bekommen unterschiedliche Antworten – weil das Suchsystem von beiden unterschiedlich viel weiß. Diese Beobachtung ist nicht neu, aber sie hat an Gewicht gewonnen, seit KI-Systeme Fragen direkt beantworten.
ChatGPT kann seit April 2025 gespeicherte Erinnerungen nutzen, um Suchanfragen umzuschreiben. Search Engine Land beschreibt das Beispiel einer Person, die nach Restaurants in der Nähe fragt: Weiß ChatGPT, dass sie vegan lebt und in San Francisco wohnt, kann aus der Frage „good vegan restaurants San Francisco“ werden. Google personalisiert Antworten im KI-Modus auf Wunsch mit früheren Suchen und – nach Zustimmung – mit Daten aus Gmail oder dem Kalender; diese Funktion ist bislang in den USA auf Englisch verfügbar.
In der SEO-Arbeit haben wir lange so getan, als beginne jede Suchanfrage bei null: eine Anfrage, eine Ergebnisliste, eine Position. Dieses Bild war schon immer eine Vereinfachung. Mit Systemen, die sich erinnern, wird sie zur Fehlerquelle.
Suchsysteme beantworten keine Anfrage mehr zum ersten Mal.
Der Query Memory Effect: Drei Gedächtnisse der Suche
Der Query Memory Effect ist ein Denkmodell von maxonline, kein offizieller Begriff eines Suchanbieters. Er fasst zusammen, dass Suchsysteme auf mindestens drei Arten von gespeichertem Wissen zurückgreifen, bevor sie eine Anfrage beantworten.
Interaktionsgedächtnis: Was Nutzer früher angeklickt haben
Suchmaschinen merken sich, wie Menschen mit Ergebnissen umgegangen sind. Der Google-Manager Pandu Nayak sagte im US-Kartellverfahren aus, das System Navboost merke sich alle Klicks auf Suchanfragen der vergangenen 13 Monate; vor 2017 waren es 18 Monate. Diese aggregierten Signale fließen in künftige Rankings ein – die Suche von heute trägt also die Interaktionen von gestern in sich.
Modellgedächtnis: Was ein Sprachmodell bereits weiß
Sprachmodelle bringen Wissen aus ihrem Training mit. Die Forschung unterscheidet dabei zwischen parametrischem Gedächtnis – dem im Modell gespeicherten Wissen – und nicht-parametrischem Gedächtnis, etwa einem Suchindex, der zur Laufzeit abgefragt wird. Was ein Modell über eine Marke „glaubt“, bevor es überhaupt sucht, prägt, welche Quellen es heranzieht und wie es sie einordnet.
Kontextgedächtnis: Was das System über den Nutzer weiß
Gespeicherte Vorlieben, frühere Chats und der Verlauf eines Gesprächs verändern die Anfrage selbst. KI-Systeme schreiben Fragen um und zerlegen sie in Teilanfragen (Query Fan-Out); nach einer Analyse von iPullRank auf Basis von Google-Patenten können dabei Gedächtnis und Kontext beeinflussen, welche Teilanfragen entstehen. Dieselbe Ausgangsfrage führt so bei zwei Nutzern zu unterschiedlichen Suchen – und damit zu unterschiedlichen Quellen.
Wie verändert der Effekt die vier Stufen der Sichtbarkeit?
Der Query Memory Effect ist keine fünfte Stufe im Meusel Visibility Framework, sondern wirkt über die Zeit auf alle vier: Findability, Processability, Answerability und Trust. Wie die Stufen aufeinander aufbauen, erklärt der Knowledge Case KI-Sichtbarkeit heute.
- SEO – Findability: Welche Seiten für eine Anfrage in Frage kommen, hängt auch davon ab, wie Nutzer in den vergangenen Monaten auf sie reagiert haben. Gefunden wird, wer sich über Zeit bewährt hat.
- GEO – Processability: Umgeschriebene und aufgefächerte Anfragen treffen auf einzelne Abschnitte, nicht auf ganze Seiten. Wissenseinheiten, die eine Teilfrage klar beantworten, passen zu mehr Varianten derselben Frage.
- AEO – Answerability: Wenn eine Anfrage mit Kontext angereichert wird – Branche, Unternehmensgröße, Standort –, gewinnt der Inhalt, der genau diese Situation beantwortet, nicht der allgemeinste.
- Trust – Selectability: Das Modellgedächtnis belohnt Konsistenz. Eine Marke, die über Jahre und Quellen hinweg gleich beschrieben wird, ist für ein System leichter einzuordnen als eine, deren Angaben sich widersprechen.
Trust entscheidet am Ende – aufgebaut wird er auf jeder Ebene. Mit Gedächtnis kommt eine Dimension hinzu: Er wird auch über die Zeit aufgebaut.
Praxisbeispiel: Eine Frage, zwei Gedächtnisse
Zwei Personen fragen einen KI-Assistenten: „Welches CRM passt zu uns?“
- Person A hat keinen gespeicherten Kontext. Das System sucht allgemein nach CRM-Vergleichen und nennt die bekanntesten Anbieter – die, über die es im Training am meisten gelesen hat.
- Person B hat in früheren Chats erwähnt, dass ihr Unternehmen 40 Mitarbeitende hat und mit Microsoft 365 arbeitet. Das System kann die Anfrage etwa zu „CRM für Mittelstand mit Microsoft-365-Integration“ präzisieren. Jetzt kommen Anbieter und Ratgeber zum Zug, die genau diese Situation konkret beschreiben.
Für einen CRM-Anbieter bedeutet das: Eine starke Seite für „CRM Vergleich“ reicht nicht. Sichtbar wird er in der zweiten Antwort nur, wenn es Inhalte gibt, die den spezifischen Kontext beantworten – und wenn diese Angaben konsistent auf der eigenen Website, in Vergleichsportalen und in Fachartikeln stehen.
Ein Suchsystem mit Gedächtnis ist ein bisschen wie ein aufmerksamer Kundenberater. Bei veralteten Preisangaben ist das weniger charmant.
Welche Grenzen hat das Modell?
Der Query Memory Effect beschreibt ein Muster, keine Formel. Wie stark die einzelnen Gedächtnisse wirken, legt kein Anbieter offen, und es unterscheidet sich je nach System, Region und Einstellungen der Nutzer.
Drei Einschränkungen sind wichtig:
- Personalisierung ist optional und regional begrenzt. Nutzer können Gedächtnisfunktionen abschalten; Googles personalisierter KI-Modus ist derzeit nur in den USA auf Englisch verfügbar.
- Das Modellgedächtnis ist nicht direkt steuerbar. Welche Inhalte in das Training eines Modells einfließen, lässt sich von außen weder bestimmen noch prüfen.
- Interaktionsdaten sind aggregiert. Navboost wertet laut Aussage vor Gericht Klicks auf Suchanfragen aus – nicht das Verhalten einzelner Personen für andere Nutzer.
Ein reproduzierbarer Hebel lässt sich aus dem Modell daher nicht ableiten. Es erklärt aber, warum Sichtbarkeit schwankt, obwohl sich an einer Seite nichts geändert hat.
Was bedeutet der Query Memory Effect für SEO?
- In Suchverläufen denken statt in Einzelanfragen: Welche Fragen stellen Nutzer vorher und nachher? Inhalte für die gesamte Strecke planen.
- Kontextvarianten beantworten: Für die wichtigsten Themen die typischen Situationen der Zielgruppe konkret abdecken – Branche, Größe, Region, Anwendungsfall.
- Nutzerzufriedenheit über Zeit sichern: Inhalte, die ihre Frage wirklich beantworten, hinterlassen positive Interaktionsspuren. Kurzfristige Klicktricks tun das nicht.
- Entitäten konsistent halten: Name, Leistungen, Standorte und Zahlen überall gleich – auf der Website, in Profilen, Verzeichnissen und Fachmedien.
- Veraltetes aktiv korrigieren: Was falsch im Umlauf ist, bleibt in Gedächtnissen länger erhalten, als einem lieb ist. Aktualisieren, datieren, widersprüchliche Altinhalte zusammenführen.
- Mit mehreren Kontexten messen: KI-Sichtbarkeit nicht nur mit einer „neutralen“ Abfrage testen, sondern mit typischen Personas und im temporären Chat ohne Gedächtnis zum Vergleich.
Wer heute gefunden werden will, muss gestern schon verstanden worden sein.
Quellen & weiterführende Links
- KI-Sichtbarkeit heute: Wie Inhalte gefunden, verstanden und als Quelle ausgewählt werden – maxonline, Vertiefung zum Vier-Stufen-Modell
- How Google Search and ranking works, according to Google’s Pandu Nayak – Search Engine Land, 2023
- ChatGPT releases Memory with Search – Search Engine Land, April 2025
- Personal Intelligence: How AI Mode in Search personalizes responses for you – Google Search Help
- How AI Search Personalizes Fan-Out Queries Using Memory and Context – iPullRank, März 2026
- Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks – Lewis et al., NeurIPS 2020
- KI-Funktionen und Ihre Website – Google Search Central
- Meusel Visibility Framework™, Version 3.0 – Stephan Meusel, 2026
