Chunk

Ein Chunk ist ein Textabschnitt, der von KI-Systemen als eigenständige Einheit verarbeitet wird. Bevor Inhalte in einem RAG-System durchsuchbar gemacht werden, wird ein Dokument in solche Abschnitte zerlegt, die jeweils separat als Embedding gespeichert und bei einer Anfrage einzeln abgerufen werden. Der Vorgang heißt Chunking. Für die Sichtbarkeit in KI-Antworten ist das Prinzip zentral: Abgerufen wird nicht eine Seite, sondern ein Abschnitt.

Der Begriff wird auch außerhalb der KI verwendet, etwa in der Gedächtnispsychologie für die Bündelung von Einzelinformationen zu größeren Einheiten sowie in der Webtechnik für die stückweise Datenübertragung. Dieser Artikel behandelt die Bedeutung im Kontext von Sprachmodellen.

Warum Inhalte zerlegt werden

Für die Zerlegung gibt es zwei Gründe. Zum einen begrenzt das Kontextfenster eines Modells die verarbeitbare Textmenge – vollständige Dokumentbestände passen nicht hinein. Zum anderen verbessert die Zerlegung die Trefferqualität: Ein Embedding über ein ganzes Dokument mittelt dessen Themen und wird dadurch unscharf, während ein Embedding über einen einzelnen Abschnitt eine klar umrissene Aussage abbildet.

Die praktische Folge ist grundlegend: Ein KI-System bewertet nicht, ob eine Seite insgesamt zu einer Frage passt, sondern ob einzelne ihrer Abschnitte passen. Eine sehr gute Seite mit schlecht abgegrenzten Abschnitten kann dadurch schlechter gefunden werden als eine durchschnittliche Seite mit klar strukturierten.

Verfahren

• Feste Größe – Zerlegung nach einer festen Zeichen- oder Tokenzahl; einfach umzusetzen, trennt aber Sinnzusammenhänge willkürlich
• Satz- oder absatzbasiert – Zerlegung an natürlichen Sprachgrenzen
• Strukturbasiert – Zerlegung entlang der Dokumentstruktur, also an Überschriften, Listen und Abschnitten; für gut gegliederte Webinhalte das übliche Verfahren
• Semantisch – Zerlegung an inhaltlichen Themenwechseln, die über Ähnlichkeitsberechnungen ermittelt werden
• Hierarchisch – mehrstufige Zerlegung, bei der einem gefundenen Abschnitt zusätzlich sein übergeordneter Kontext beigegeben wird

Verbreitet ist zudem ein Overlap: Aufeinanderfolgende Chunks überlappen sich um einige Sätze, damit eine Aussage nicht genau an der Trennstelle zerrissen wird.

Die Chunk-Größe ist ein Abwägung: Kleine Abschnitte liefern präzise Treffer, verlieren aber Kontext; große Abschnitte bewahren Zusammenhang, verwässern jedoch das Embedding und verbrauchen mehr Token.

Merkmale eines gut verwertbaren Abschnitts

Websitebetreiber steuern das Chunking nicht selbst – es findet beim jeweiligen System statt. Die Struktur des eigenen Textes bestimmt jedoch maßgeblich, wie sinnvoll die Zerlegung ausfällt. Ein gut verwertbarer Abschnitt ist:

• eigenständig verständlich – er funktioniert ohne den vorhergehenden Absatz
• thematisch eindeutig – er behandelt einen Sachverhalt, nicht mehrere nebeneinander
• explizit benannt – Marke, Produkt oder Thema werden ausgeschrieben statt durch “es”, “dieser” oder “das Unternehmen” ersetzt
• klar abgegrenzt – eine aussagekräftige Zwischenüberschrift markiert den Anfang
• angemessen lang – weder ein einzelner Satz ohne Substanz noch ein Block über mehrere Bildschirmhöhen

Als Prüffrage eignet sich: Ergibt dieser Abschnitt Sinn, wenn er isoliert und ohne Überschrift gelesen wird?

Typische Probleme

• Rückbezüge – “Wie im vorherigen Abschnitt beschrieben” macht einen Chunk ohne seinen Vorgänger unbrauchbar
• Pronomen statt Namen – ein Abschnitt, der die Marke nicht nennt, wird bei markenbezogenen Anfragen nicht gefunden
• Themenvermischung – mehrere Sachverhalte in einem Absatz erzeugen ein unscharfes Embedding
• Aussagen in Grafiken – Inhalte, die nur im Bild stehen, gehen bei der Zerlegung verloren
• Kontext nur in der Überschrift – wird der Abschnitt ohne Überschrift verarbeitet, fehlt die thematische Einordnung
• Lange Einleitungen – ein Abschnitt, der erst nach mehreren Sätzen zur Aussage kommt, wird seltener als Antwort verwendet

Bedeutung für GEO

Das Chunking erklärt eine Reihe von Empfehlungen, die in der GEO-Praxis häufig ohne Begründung genannt werden: eine Frage pro Abschnitt, eine Kernaussage pro Absatz, Definitionen am Anfang, konsequente Zwischenüberschriften, kein Vorlauf vor der eigentlichen Antwort. Alle folgen aus demselben Umstand – dass Inhalte abschnittsweise und nicht seitenweise verarbeitet werden.

Für die Reputationsarbeit ergibt sich daraus ein zusätzlicher Aspekt: Auch fremde Inhalte über ein Unternehmen werden abschnittsweise abgerufen. Ein einzelner kritischer Absatz aus einem ansonsten neutralen Artikel kann so isoliert in eine KI-Antwort gelangen, ohne den relativierenden Kontext des Gesamttextes.