AI Overviews (AIO) & Google AI Mode

Kompakt-Definition

AI Overviews (AIO, ehemals Search Generative Experience / SGE) sind KI-generierte Antwortübersichten, die Google bei komplexen oder informationalen Suchanfragen direkt oberhalb der klassischen organischen Suchergebnisse ausspielt. Während AI Overviews als zusammenfassender Einstiegsblock innerhalb der regulären SERP fungieren, bietet der ergänzende Google AI Mode eine vollständig konversationelle Chat-Oberfläche für mehrstufige Recherchen auf Basis von Gemini und Live-Webdaten.

Mit der weltweiten Einführung der AI Overviews (AIO) und dem Ausbau des Google AI Mode hat Google die größte strukturelle Veränderung seiner Suchergebnisseiten seit über zwei Jahrzehnten vollzogen. Statt den Suchenden lediglich auf externe Websites weiterzuleiten, übernimmt ein für die Websuche spezialisiertes Gemini-Sprachmodell die Erst-Synthese direkt auf der Ergebnisseite – gestützt auf Googles klassischen Suchindex, den Knowledge Graph und Echtzeit-Shopping-Daten.

Featured Snippet vs. AI Overview vs. Google AI Mode

Obwohl alle drei Formate direkte Antworten liefern, unterscheiden sie sich in ihrer technischen Entstehung und Nutzerführung fundamental:

MerkmalFeatured Snippet (Klassisch)Google AI Overviews (AIO)Google AI Mode
Technisches PrinzipReine Extraktion eines Textblocks aus einer einzigen Quell-URLGenerative Synthese (RAG) aus mehreren Webquellen & dem Knowledge GraphVollständige, mehrstufige Konversations-Umgebung mit tiefem Query Fan-Out
PlatzierungPosition 0 innerhalb der regulären SERPProminenter KI-Container ganz oben über den organischen TreffernEigener Tab / Modus für komplexe Dialoge und Folgefragen
Quellen-VerlinkungEin prominenter Hauptlink unter dem TextauszugInline-Link-Icons im Text sowie klickbare Quell-Karten (Karussell/Sidebar)Kontextuelle AI Citations & gebündelte Quellen-Kacheln je Antwortabschnitt
Typischer AuslöserEindeutige Kurzfragen & Definitionen (AEO)Mehrschichtige Informations-, Planungs- & VergleichsfragenOffene Recherche-Aufträge, komplexe Produktvergleiche & Follow-up-Prompts

Wie wählt Google die Quellen für AI Overviews aus?

Ein weit verbreiteter Irrtum ist, dass Google AI Overviews ihre Antworten frei aus dem statischen Trainingswissen eines Sprachmodells erfinden. Tatsächlich ist das System eng an Googles klassische Kern-Ranking-Systeme gekoppelt:

  1. Query Fan-Out & Top-K-Abruf: Bei einer komplexen Suchanfrage fächert Google die Intention im Hintergrund in mehrere Sub-Suchanfragen auf (Query Fan-Out) und zieht aus dem regulären Suchindex die bestplatzierten Dokumente zu jeder Teilfrage heran.
  2. Extraktion hochgradig abrufbarer Chunks: Aus diesem Kandidaten-Pool extrahiert die RAG-Pipeline gezielt jene Absätze, Listen und Tabellen, die eine hohe Retrievability und maschinelle Verarbeitbarkeit aufweisen. Dadurch schaffen es regelmäßig auch Spezial-URLs von den organischen Positionen 5 bis 15 in die sichtbaren Quell-Karten der AI Overview, sofern sie eine Teilfacette präziser beantworten als Platz 1.
  3. Fakten-Abgleich (Grounding): Das Gemini-Modell fasst die extrahierten Aussagen zusammen und verknüpft die jeweiligen Satzteile über Inline-Links mit den herangezogenen Quell-URLs.

Die blinde Stelle im Tracking: AI Overviews in der Google Search Console

Für die Datenanalyse im Bereich SEO-ROI & Analytics bringen AI Overviews eine gravierende messtechnische Besonderheit mit sich: Klicks und Impressionen aus AI Overviews werden in der Google Search Console regulär im Leistungsbericht unter der Suchart „Web“ mitgezählt – allerdings ohne eigenen Filter, um sie von klassischen organischen Treffern zu trennen.

  • Gemeinsame Positions-Zählung: Der gesamte AI-Overview-Block belegt in der GSC-Logik eine gemeinsame Top-Position (meist Position 1). Jede als Quelle hinterlegte URL innerhalb dieses Blocks erbt bei Ausspielung diese Position.
  • Verzerrung von Impressionen & CTR: Taucht eine Seite plötzlich als fünfte Quell-Karte in einer AI Overview auf, verbucht die GSC für diese URL eine Impression auf „Position 1“, während die tatsächliche Klickrate weit unter einem klassischen Platz-1-Treffer liegt. Zudem rücken die regulären organischen Ergebnisse auf Mobilgeräten um 800 bis 1.200 Pixel nach unten (massiver Verdrängungseffekt).

Vorsicht vor radikalen Snippet-Sperren: Es gibt kein spezielles Opt-out-Tag nur für Google AI Overviews. Wer versucht, die Ausspielung seiner Inhalte in AI Overviews über nosnippet oder ein extrem kurzes max-snippet zu unterbinden, verliert gleichzeitig auch seine regulären Text-Snippets und Featured Snippets in der klassischen Google-Suche – was fast immer zu einem dramatischen Einbruch der organischen Klickrate führt.

Weiterführende Deep-Dives & Tools auf burakowski.net

Weitere Begriffe in «GEO, AEO & KI-Suche»

KI-Referral-Tracking & Dark AI Traffic in GA4

KI-Referral-Tracking bezeichnet die gezielte Erfassung und Segmentierung von Website-Besuchern in Web-Analytics-Systemen (wie Google Analytics 4), die über einen Quellenlink (AI Citation) aus konversationellen KI-Systemen wie ChatGPT, Perplexity, Claude, Gemini oder Microsoft Copilot auf eine Domain gelangen. Da native Smartphone-Apps, Datenschutz-Header und indirekte Markensuchen jedoch häufig die Herkunfts-URL unterdrücken, bleibt ein erheblicher Teil dieser Zugriffe als sogenannter Dark AI Traffic im Kanal „Direct“ oder „Organic Search“ unsichtbar und muss über Triangulations-Verfahren gemessen werden.

Re-Ranking & Cross-Encoder (in Such- & RAG-Pipelines)

Re-Ranking bezeichnet die zweite, hochpräzise Bewertungsstufe in modernen Suchmaschinen und RAG-Pipelines (Retrieval-Augmented Generation). Während im ersten Schritt (First-Stage Retrieval) über schnelle Verfahren wie BM25 oder Vektor-Embeddings (Bi-Encoder) grob 50 bis 100 potenziell relevante Text-Chunks aus Millionen Dokumenten gefiltert werden, analysiert im zweiten Schritt ein rechenintensives Cross-Encoder-Modell die genaue semantische Passung zwischen Suchanfrage und Textpassage, um die finalen Top-5-Quellen für das LLM-Grounding zu bestimmen.

Fine-Tuning vs. RAG vs. Prompt Engineering

Fine-Tuning, RAG (Retrieval-Augmented Generation) und Prompt Engineering sind die drei zentralen Methoden zur Anpassung großer Sprachmodelle (LLMs) an spezifische Unternehmens- und Suchprozesse. Während Prompt Engineering und RAG das Modell zur Laufzeit über das Kontextfenster mit Regeln und verifizierten Echtzeit-Fakten versorgen, verändert das Fine-Tuning dauerhaft die internen Modellgewichte – primär um Tonalität, spezifische Ausgabeformate oder domänenspezifisches Verhalten zu trainieren, nicht jedoch als Ersatz für eine aktuelle Wissensdatenbank.