LLM (Large Language Model; dt. großes Sprachmodell)

Warum taucht eine Marke in einer KI-Antwort auf und eine andere nicht? Und warum steht dort manchmal schlicht Falsches? Beide Fragen lassen sich erst beantworten, wenn man versteht, wie das Modell dahinter arbeitet.

Ein LLM (Large Language Model, dt. großes Sprachmodell) ist ein KI-Modell, in der Regel ein neuronales Netz, das mit sehr großen Textmengen trainiert wurde und Texte erzeugen kann. Es lernt statistische Muster in Wörtern und Sätzen und formuliert Antworten, indem es Schritt für Schritt die wahrscheinlich passende Fortsetzung eines Textes berechnet. Bekannte Modellfamilien sind GPT von OpenAI, Gemini von Google, Claude von Anthropic und Llama von Meta.

LLMs sind die Technik hinter Chatbots wie ChatGPT und hinter den KI-Funktionen der Suche, etwa AI Overviews oder dem KI-Modus bei Google. Mit dem gleichnamigen Jura-Abschluss LL.M. (Master of Laws) hat der Begriff nichts zu tun.

Tokens und Wahrscheinlichkeiten: wie ein Sprachmodell rechnet

Ein LLM „liest“ Text nicht wie ein Mensch. Es zerlegt ihn zunächst in Tokens, also Einheiten, die ganzen Wörtern, Wortteilen oder einzelnen Zeichen entsprechen können. Diese Tokens übersetzt es in Zahlen, mit denen es rechnet. Beim Erzeugen eines Textes sagt das Modell immer wieder das nächste Token voraus, hängt es an und berechnet auf dieser Grundlage das folgende.

Die meisten heutigen LLMs beruhen auf der Transformer-Architektur. Forschende um Ashish Vaswani stellten sie 2017 bei Google im Paper „Attention Is All You Need“ vor. Ihr Kern ist ein Mechanismus, mit dem das Modell bei jedem Schritt gewichtet, welche anderen Teile des Textes für die Bedeutung gerade wichtig sind. Darauf bauten 2018 sowohl BERT als auch das erste GPT-Modell auf.

Weil ein LLM Bedeutungen aus Zusammenhängen erschließt, erkennt es Synonyme und thematische Nähe. Für die Suche setzt das fort, was unter Semantik schon länger eine Rolle spielt: Entscheidend ist, was ein Text inhaltlich aussagt, nicht, wie oft ein bestimmtes Wort vorkommt.

Vom Basismodell zum Assistenten

Ein LLM entsteht in mehreren Trainingsschritten:

1. Pretraining: Das Modell lernt auf riesigen Textmengen, das jeweils nächste Token vorherzusagen. Danach beherrscht es Sprache und verfügt über viel Weltwissen. Das gezielte Befolgen von Anweisungen lernt es erst im nächsten Schritt.
2. Fine-Tuning: Mit gezielt ausgewählten Beispielen wird das Modell darauf trainiert, Aufgaben zu erledigen und Anweisungen zu befolgen (Instruction Tuning).
3. RLHF (Reinforcement Learning from Human Feedback): Menschen bewerten Antworten des Modells. Aus diesen Präferenzen entsteht ein Belohnungsmodell, mit dem das LLM per bestärkendem Lernen weiter optimiert wird.

Erst so wird aus einem reinen Textvorhersage-Modell ein Assistent, der Fragen beantwortet, zusammenfasst oder umformuliert.

Warum LLMs Fakten erfinden

Ein LLM berechnet wahrscheinliche Wortfolgen, keine geprüften Fakten. Daraus entsteht das bekannteste Problem der Technik: Halluzinationen. Gemeint sind Texte, die sprachlich flüssig und schlüssig wirken, inhaltlich aber falsch sind. Auch Google weist in seinen Leitlinien zu KI-generierten Inhalten darauf hin, dass KI-Ausgaben Fehler enthalten können, und bezeichnet die manuelle Faktenprüfung als entscheidend.

Dazu kommt: Das Wissen eines Modells stammt aus seinen Trainingsdaten. Was danach geschieht, kennt es nur, wenn es zur Laufzeit aktuelle Informationen abrufen kann. Für Unternehmen hat das eine sehr praktische Seite, denn ein Sprachmodell kann auch über eine Marke oder ein Produkt falsche Aussagen treffen. Klare, konsistente und belegte Informationen auf der eigenen Website sind eine gute Grundlage dafür, dass Systeme mit Webzugriff richtige Angaben finden – vorausgesetzt, die Seiten stehen überhaupt im Suchmaschinenindex.

RAG und Grounding: wie die KI-Suche Webinhalte einbindet

Damit Antworten aktuell und überprüfbar werden, verbinden KI-Anwendungen das Sprachmodell mit einer Suche. Dieses Verfahren heißt Retrieval-augmented Generation (RAG): Zu einer Anfrage werden passende Dokumente abgerufen und dem Modell gemeinsam mit der Frage übergeben. Das LLM formuliert seine Antwort dann auf Grundlage dieser Dokumente.

Genau diesen Ansatz beschreibt Google für seine generativen Suchfunktionen und nennt ihn auch Grounding. AI Overviews und der KI-Modus rufen aktuelle, relevante Seiten aus dem Suchmaschinenindex ab, und zwar über die Kern-Ranking- und Qualitätssysteme der Google-Suche. Daraus erzeugen sie Antworten mit klickbaren Quellenlinks. Häufig stellen sie dabei mehrere verwandte Suchanfragen parallel (Query Fan-out).

Hier liegt die wichtigste Brücke zum Marketing: Was ein Crawler nicht erfassen kann und was nicht im Index steht, kann eine KI-Suche auch nicht als Quelle nutzen. Die Arbeit an der KI-gestützten Auffindbarkeit beginnt deshalb beim klassischen Fundament.

Davon zu unterscheiden ist die Nutzung von Inhalten für das Training und Grounding anderer Google-Produkte. Sie wird über das robots.txt-Token Google-Extended gesteuert; es betrifft Gemini-Apps und Vertex AI und hat laut Google keinen Einfluss auf die Google-Suche (siehe robots.txt).

Was LLMs für Inhalte und Marketing bedeuten

Für die Content-Arbeit leiten sich aus der Technik einige nüchterne Schlüsse ab. Google empfiehlt für die generative Suche Inhalte mit eigenem Blickwinkel und eigener Erfahrung und betont, es gebe keine ideale Seitenlänge. Texte eigens „für LLMs“ zu schreiben oder in kleine Bausteine zu zerlegen, ist nach Googles Leitfaden nicht nötig.

Klare Gliederung, präzise Definitionen und belegte Aussagen bleiben trotzdem gutes Handwerk. Sie helfen Lesenden und beugen Fehldeutungen vor. Glaubwürdigkeit im Sinne von E-E-A-T entscheidet mit darüber, welche Quellen ausgewählt werden. Wie sich Inhalte insgesamt auf generative Suchsysteme ausrichten lassen, beschreibt der Artikel zur GEO-Optimierung.

Und dann sind LLMs auch ein Werkzeug für die eigene Arbeit, bei Recherchen, Analysen und Textentwürfen. Hier gilt dieselbe Grenze wie bei jeder KI-Ausgabe: Das Modell liefert Vorschläge, die fachliche Prüfung bleibt bei Menschen.

Häufige Fragen zu LLMs

Ist jeder Chatbot ein LLM?

Nein. Ein LLM ist das Modell, ein Chatbot ist eine Anwendung. Viele moderne Chatbots wie ChatGPT oder die Gemini-App nutzen ein LLM als Kern und ergänzen es um weitere Funktionen, etwa Websuche. Ältere Chatbots arbeiten dagegen oft mit festen Regeln und vorgegebenen Antworten.

Was ist RAG und warum ist es für die KI-Suche wichtig?

RAG (Retrieval-augmented Generation) verbindet ein Sprachmodell mit einem Abruf aktueller Dokumente. Das Modell antwortet auf Grundlage dieser Dokumente statt nur aus seinem Trainingswissen. In der KI-Suche sorgt dieses Prinzip dafür, dass Antworten auf indexierte Webinhalte zurückgreifen und Quellen verlinken.

Warum erfinden LLMs Fakten?

Weil sie wahrscheinliche Wortfolgen berechnen, nicht Wahrheit prüfen. Passt eine falsche Aussage sprachlich gut in den Zusammenhang, kann das Modell sie erzeugen. Man spricht von Halluzinationen. Deshalb müssen KI-generierte Inhalte vor einer Veröffentlichung fachlich geprüft werden.

Welche bekannten LLMs gibt es?

Zu den bekannten Modellfamilien gehören GPT (OpenAI), Gemini (Google), Claude (Anthropic) und Llama (Meta). Die einzelnen Versionen ändern sich schnell; Leistungsvergleiche veralten entsprechend rasch.

LLM oder LL.M.: Was ist gemeint?

LLM ohne Punkte steht in Technik und Marketing für Large Language Model. LL.M. mit Punkten bezeichnet den akademischen Grad Master of Laws im Rechtswesen. Beide Begriffe haben nichts miteinander zu tun.

Fachlich geprüft, nicht nur generiert

LLMs haben verändert, wie Menschen Informationen suchen und wie Inhalte entstehen. Für Unternehmen zählt beides: in KI-Antworten als verlässliche Quelle vorzukommen und KI im eigenen Arbeitsalltag sinnvoll zu nutzen. Professionell eingesetzt, beschleunigt KI Analysen und Textarbeit spürbar. Ob ein Ergebnis trägt, beurteilen erfahrene Fachleute – so arbeitet auch mindtwo im SEO-Alltag. Angebot anfragen, wenn Sie Ihre Inhalte für KI-gestützte Suche aufstellen wollen.

Weiterlesen zu Sprachmodellen und Suche

• Wie Suchsysteme Bedeutung erfassen: Semantik
• Woraus KI-Antworten schöpfen: der Suchmaschinenindex
• Warum Glaubwürdigkeit über Quellen entscheidet: E-E-A-T
• Wie Inhalte in KI-Antworten zitiert werden: LLM-SEO und AI Citations