Stellst du einer KI-Suchmaschine eine einfache Frage, sucht sie. Stellst du ihr eine komplexe Frage, passiert etwas ganz anderes. Das System verarbeitet deine Frage nicht als einen einzigen Block. Stattdessen zerlegt es sie in kleinere, konkretere Teilanfragen und führt sie parallel über verschiedene Datenquellen aus. Das ist Prompt Decomposition, und deshalb kann KI Fragen bewältigen, die klassische Suchmaschinen überfordern würden.
Prompt Decomposition ist die Art, wie moderne KI-Systeme ein scheinbar echtes Verständnis für nuancierte, vielschichtige Fragen erreichen. Eine Frage, die für einen Menschen einfach wirkt, kann tatsächlich fünf getrennte Informationsbedürfnisse verbergen. KI-Systeme haben gelernt, das zu erkennen, die Frage auseinanderzunehmen, jedes Teilstück zu beantworten und diese Antworten dann zu etwas Stimmigem zusammenzuführen.
Das ist für deine Content-Strategie entscheidend, denn wie Prompt Decomposition funktioniert, bestimmt, welche deiner Seiten KI-Systeme bei mehrteiligen Fragen auswählen. Wer diesen Mechanismus versteht, strukturiert Inhalte so, dass sie auf jeder Zerlegungsebene abrufbar sind, nicht nur in der endgültigen zusammengeführten Antwort.
Was Prompt Decomposition ist
Prompt Decomposition ist der Vorgang, bei dem ein KI-System eine einzelne komplexe Frage in eine Reihe einfacherer, getrennter Teilfragen zerlegt. Jede Teilfrage lässt sich unabhängig von den anderen beantworten. Hat die KI Antworten auf alle Teilfragen gesammelt, führt sie diese zu einer umfassenden Antwort auf die ursprüngliche Anfrage zusammen.
Nimm eine Frage wie diese: "Soll ich für mein Entwicklungsteam einen Freelancer oder einen Vollzeitmitarbeiter einstellen?" Das ist eigentlich nicht eine Frage. Es sind mindestens drei Fragen in einer. Das System zerlegt sie in getrennte Anfragen: "Was sind die Vorteile, einen Freelancer einzustellen?" "Was sind die Vorteile, einen Vollzeitmitarbeiter einzustellen?" und "Wie unterscheiden sich die Kosten zwischen Freelancern und Vollzeitmitarbeitern?" Jede dieser Teilanfragen wird getrennt beantwortet, und die Antworten ergeben zusammen eine Empfehlung zur ursprünglichen Frage.
Der Kernunterschied zwischen klassischer und zerlegter Suche sind Weiterleitung und Parallelisierung. Eine klassische Suchmaschine nimmt deine Frage und versucht, passende Seiten zu finden. Ein KI-System mit Prompt Decomposition nimmt deine Frage, erzeugt mehrere Teilanfragen, schickt jede davon gleichzeitig an womöglich verschiedene Datenquellen und führt die Ergebnisse dann zu einer einheitlichen Antwort zusammen.
Warum KI-Systeme Zerlegung brauchen
Nicht jede Frage wird zerlegt. Einfache Anfragen mit einer einzigen Absicht müssen nicht aufgeteilt werden. "Was ist eine Domain?" erreicht das KI-System mit einer klaren, einzelnen Absicht. Das System kann sie direkt beantworten, indem es passende Inhalte zu Domains abruft und zusammenführt.
Komplexe Fragen mit mehreren Absichten überfordern die klassische Suche aber auf eine bestimmte Weise. Sie verlangen Informationen, die mehrere Abrufdurchgänge brauchen, oft über verschiedene Arten von Quellen. Eine Frage wie "Welche Onlineshop-Plattform ist besser für ein kleines Unternehmen mit geringen technischen Kenntnissen?" braucht Antworten aus mindestens drei Blickwinkeln: Was sind Onlineshop-Plattformen, welche gibt es und welche sind für ihre einfache Bedienung bekannt. Klassische Suchmaschinen tun sich schwer, weil sie all diese Kriterien auf einmal in einer einzigen Anfrage abgleichen wollen.
KI-Systeme lösen das durch Zerlegung. Das System erkennt die vielschichtige Natur der Frage und teilt sie in abrufbare Teile. So kann es nach "beste Onlineshop-Plattformen für Einsteiger" getrennt von "Low-Code-Shop-Lösungen" und "Shop-Plattformen mit Drag-and-drop-Oberfläche" suchen. Jede Suche ist fokussierter und liefert eher hochwertige Ergebnisse. Die Zusammenführungsebene nimmt dann die besten Ergebnisse jeder zerlegten Anfrage und baut daraus eine einheitliche Antwort.
Zerlegung verbessert auch die Genauigkeit. Wird jeder Teil einer Frage aus der für diesen Teil relevantesten Quelle beantwortet, enthält die endgültige Antwort weniger Kompromisse. Es ist nicht eine Seite, die alles sein will, sondern eine Synthese, die jedem Teil der Frage die Aufmerksamkeit gibt, die er verdient.
Wie der Zerlegungsprozess funktioniert
Prompt Decomposition folgt einer berechenbaren Abfolge, auch wenn verschiedene KI-Systeme sie leicht unterschiedlich umsetzen. So läuft der Prozess typischerweise ab:
Schritt 1: Absichtsanalyse
Das KI-System empfängt deine Anfrage und analysiert sie auf Absicht und Komplexität. Das hat nichts mit Keyword-Abgleich zu tun. Das System fragt sich: Ist das eine einzige zusammenhängende Frage oder mehrere gebündelte Fragen? Braucht sie Informationen aus mehreren Themenfeldern? Verlangt sie Vergleich, Bewertung, Anleitung oder Definition? Diese Absichtsanalyse geschieht, bevor das System überhaupt überlegt, wie KI-Suchmaschinen Quellen abrufen und ranken. Das System vergibt Absichtssignale und Komplexitätswerte für die eingehende Frage.
Schritt 2: Anfragen erzeugen
Stellt das System fest, dass die Anfrage komplex genug zum Zerlegen ist, erzeugt es mehrere Teilanfragen. Diese Teilanfragen sind nicht zufällig. Es sind semantisch unterschiedliche Versionen der ursprünglichen Frage, die jeweils eine andere Facette oder Dimension ansprechen. Eine Frage zu "kostengünstigen Tools für die Verwaltung von Remote-Teams" kann in "Tools für die Kommunikation in Remote-Teams", "Tools für das Projektmanagement in Remote-Teams" und "günstige Software für Remote-Teams" zerlegt werden.
Schritt 3: Teilanfragen weiterleiten
Jede Teilanfrage wird nun an womöglich verschiedene Datenquellen oder Indizes weitergeleitet. Eine Teilanfrage geht vielleicht an eine Produktdatenbank. Eine andere an allgemeine Webinhalte. Eine dritte an Bewertungen und Vergleiche. Diese Weiterleitungsebene ist entscheidend, weil nicht alle Informationsarten am selben Ort liegen. Ein Produktvergleich kommt vielleicht von spezialisierten Bewertungsseiten, während Kundenerfahrungen aus Foren und Diskussionsbereichen stammen.
Schritt 4: Paralleler Abruf
Alle Teilanfragen laufen parallel statt nacheinander. Deshalb ist Zerlegung schnell. Statt nach "X, dann Y, dann Z" zu fragen, führt das System alle drei Suchen gleichzeitig aus. Diese Parallelisierung wäre ohne Zerlegung nicht möglich, weil du eine komplexe Anfrage mit mehreren Absichten nicht parallel mit sich selbst ausführen kannst. Du kannst sie nur parallelisieren, indem du sie in getrennte Teile zerlegst.
Schritt 5: Quellenauswahl und Ranking
Für jede Teilanfrage ruft das System mögliche Quellen ab und ordnet sie. Dieses Ranking unterscheidet sich aber vom klassischen Suchranking. Das System sucht nicht die massgeblichste Seite zum Thema, sondern die relevanteste Passage oder den relevantesten Abschnitt innerhalb von Seiten, die genau diese Teilanfrage beantworten. Eine Seite kann für "Tools für Remote-Kommunikation" hoch ranken, aber nur ein bestimmter Abschnitt dieser Seite wird ausgewählt und extrahiert.
Schritt 6: Antwort zusammenführen
Das System nimmt die ausgewählten Passagen aller zerlegten Anfragen und führt sie zu einer einheitlichen Antwort zusammen. Auf dieser Zusammenführungsebene entsteht die Stimmigkeit. Es werden nicht einfach Antworten aneinandergehängt. Es entsteht ein logischer Fluss, der angesichts der ursprünglichen Frage und all ihrer Bestandteile Sinn ergibt.
Echte Beispiele für Zerlegung in der Praxis
Prompt Decomposition auf theoretischer Ebene zu verstehen, ist nützlich. Aber erst das Praxisbeispiel macht es greifbar. So werden echte Fragen zerlegt:
Beispiel 1: Die Vergleichsfrage
"Was ist für ein kleines Unternehmen besser: ein Open-Source-CMS oder ein Website-Builder?"
Das wird zerlegt in: "Was ist ein Open-Source-CMS?" "Was ist ein Website-Builder?" "Welche technischen Kenntnisse braucht ein Open-Source-CMS?" "Welche Funktionen haben moderne Website-Builder?" "Wie gross ist der Kostenunterschied?" und "Was bevorzugen Inhaber kleiner Unternehmen?" Jede Teilanfrage zielt auf eine Quelle, die genau diesen Teil massgeblich beantworten kann. Die CMS-Dokumentation beantwortet den ersten Teil. Funktionsseiten von Website-Buildern beantworten einen anderen. Nutzerbewertungen und Fallstudien beantworten die Frage nach der Präferenz. Kosteninformationen kommen von Preisseiten und Produktvergleichen.
Beispiel 2: Die Frage nach einem mehrstufigen Prozess
"Wie richte ich einen Onlineshop ein, finde Produkte zum Verkaufen und wickle Zahlungen ab?"
Das wird in drei Prozess-Teilanfragen zerlegt: "Wie erstelle ich einen Onlineshop?" "Wo finde ich Produkte zum Verkaufen?" und "Welche Optionen für die Zahlungsabwicklung gibt es bei Onlineshops?" Jede hat andere Antwortquellen. Einrichtungsanleitungen beantworten die erste. Inhalte zu Dropshipping und Beschaffung beantworten die zweite. Dokumentationen von Zahlungsanbietern beantworten die dritte.
Beispiel 3: Die Entscheidungsfrage
"Ich möchte mein Publikum vergrössern, bin aber nicht sicher, ob ich mich auf Social Media konzentrieren oder einen Blog starten soll. Was funktioniert besser für mich?"
Das wird in mehrere Blickwinkel zerlegt: "Was sind die Vor- und Nachteile von Social Media für den Publikumsaufbau?" "Was sind die Vor- und Nachteile von Bloggen?" "Was zeigt schneller Ergebnisse?" "Wie viel Zeit braucht jedes?" und "Was funktioniert für welche Nischen besser?" Das System sammelt Inhalte zu jedem Blickwinkel aus Quellen, die zu genau diesem Blickwinkel glaubwürdig sind.
Wie Zerlegung die Sichtbarkeit von Inhalten beeinflusst
Das ist für deine Content-Strategie auf konkrete Weise wichtig. Zerlegen KI-Systeme Fragen, suchen sie nicht nach Seiten, die die ganze komplexe Frage perfekt beantworten. Sie suchen nach Seiten, die bestimmte, getrennte Teile von Fragen wirklich gut beantworten.
Das heisst: Eine Seite mit dem Titel "CMS vs. Website-Builder: der komplette Ratgeber" wird für keine einzelne zerlegte Teilanfrage ausgewählt, wenn der Inhalt allgemein bleibt. Ein fokussierter Ratgeber mit dem Titel "Was ein Open-Source-CMS verlangt: ein Einsteiger-Check der technischen Kenntnisse" würde für die Teilanfrage zu technischen Anforderungen ausgewählt. Eine andere Seite mit dem Titel "Funktionen von Website-Buildern im Vergleich: Vorlagen, SEO, Mobil" würde für die Teilanfrage zu Funktionen ausgewählt. Eine dritte Seite zu den Kosten würde für die Preis-Teilanfrage ausgewählt.
Anders gesagt: Zerlegung belohnt Genauigkeit und Tiefe. Sie bestraft Seiten, die jeden Blickwinkel einer komplexen Frage mit flacher Abdeckung bedienen wollen. Eine Website, die zehn fokussierte Artikel veröffentlicht, die jeweils eine Facette eines komplexen Themas tief beantworten, wird in KI-generierten Antworten öfter zitiert als eine Website mit einem ausufernden Artikel, der alle zehn Facetten abdecken will.
Zerlegung heisst auch, dass dein Inhalt nicht nur als ganze Seite abrufbar sein muss, sondern auf Abschnittsebene. Ruft ein KI-System deinen Inhalt ab, extrahiert es keine ganzen Seiten. Es extrahiert Passagen, die dann durch eine Reranking-Ebene laufen, die die endgültige Quellenauswahl bestimmt. Die relevanteste Passage für eine Teilanfrage kann der dritte oder vierte Abschnitt deines Artikels sein. Deshalb sind Struktur, klare Überschriften und in sich geschlossene Abschnitte in der KI-Suche so wichtig. Jeder Abschnitt sollte für sich beantwortbar sein, auch wenn die Abschnitte aufeinander aufbauen.
Zerlegung und mehrstufige Gespräche
Zerlegung wird in mehrstufigen Gesprächen noch ausgefeilter. Stellt ein Nutzer nach einer ersten KI-Antwort eine Folgefrage, stellt das System neu ein, wie die Zerlegung aussieht. Eine Folgefrage wie "Aber welches wäre am einfachsten zu bedienen?" verfeinert den Zerlegungsraum. Das System weiss jetzt, dass es Quellen zur einfachen Bedienung stärker gewichten und Quellen mit Fokus auf erweiterte Funktionen oder technische Tiefe schwächer gewichten soll.
Das ist für die Content-Strategie entscheidend, denn deine Sichtbarkeit ist nicht statisch. Dieselbe Seite, die für eine Anfrage zitiert wird, wird für eine Folgefrage im selben Gespräch vielleicht nicht zitiert oder anders zitiert. Ist dein Inhalt stark bei einfacher Bedienung, wird er in Gesprächen öfter ausgewählt, in denen einfache Bedienung zum Fokus wird. Ist er stark bei erweiterten Funktionen, wird er öfter ausgewählt, wenn der Nutzer Leistung und Anpassbarkeit will.
Wie sich Zerlegung bei KI-Plattformen unterscheidet
Verschiedene KI-Systeme setzen Zerlegung unterschiedlich um, auch wenn die Grundprinzipien gleich sind. ChatGPT neigt zu dem, was Forschende "sequenzielle Zerlegung" nennen: Teilfragen werden erzeugt und dann in logischer Reihenfolge beantwortet. Perplexity nutzt oft "parallele Zerlegung": Viele Teilanfragen werden erzeugt und gleichzeitig gesucht. Neuere Systeme wie Claude setzen "abhängigkeitsbewusste Zerlegung" um: Das System erkennt, dass manche Teilfragen von Antworten auf andere Teilfragen abhängen, und ordnet sie entsprechend.
Für deinen Inhalt heisst das: Die Sichtbarkeit unterscheidet sich leicht je nach Plattform. Eine Seite, die von ChatGPT für eine zerlegte Anfrage stark zitiert wird, wird von Perplexity vielleicht weniger ausgewählt, wenn die parallele Zerlegungsstrategie von Perplexity andere Teilanfragen derselben komplexen Frage priorisiert.
WEMASY-Analysen und die Beobachtung der Zerlegung
Um zu verstehen, wie dein Inhalt über zerlegte Anfragen hinweg abschneidet, brauchst du Analysen, die über die Oberfläche hinausblicken. Klassische Traffic-Analysen sagen dir, dass ein Nutzer aus der KI-Suche kam, aber nicht, welche Teilanfrage einer zerlegten komplexen Frage diesen Traffic ausgelöst hat. Das Analysen-und-Einblicke-Tool von WEMASY hilft dir, Traffic-Quellen und Nutzerverhalten zu verfolgen, und gibt dir Einblick, welcher Inhalt in verschiedenen Suchszenarien ausgewählt wird. Siehst du Traffic aus der KI-Suche, kannst du ihn mit Daten aus einem Content-Audit abgleichen, um zu verstehen, welche deiner Seiten oder Abschnitte ausgewählt werden und bei welchen Fragen. So erkennst du, wo dein Inhalt bei der Zerlegung stark ist und wo Lücken bestehen.
Häufig gestellte Fragen
Wird jede komplexe Frage zerlegt?
Nein. Manche Fragen haben wirklich nur eine Absicht. Einfache Nachschlagefragen wie "Was ist ein Domainname?" werden nicht zerlegt. Fragen, die Vergleich, Bewertung, Entscheidung oder mehrstufige Prozesse verlangen, werden deutlich häufiger zerlegt. Eine Frage wie "Wie starte ich einen Blog?" wird meist als einzelne Absicht behandelt, aber "Soll ich einen Blog starten oder mich auf Social Media konzentrieren?" hat mehrere Absichten und wird zerlegt. Mit dem Website-Builder von WEMASY richtest du das direkt auf deiner Website ein.
Kann ich steuern, wie mein Inhalt zerlegt wird?
Nicht direkt, aber du kannst es beeinflussen. Klare Abschnittsüberschriften, in sich geschlossene Absätze, die konkrete Fragen beantworten, und fokussierte Inhalte erleichtern es KI-Systemen, deinen Inhalt bei der Zerlegung auszulesen und auszuwählen. Lass Leser und KI-Systeme nicht nach der Antwort suchen. Setze sie in den ersten Satz eines Absatzes oder Abschnitts, damit Zerlegungssysteme sie klar extrahieren können.
Wie hängt Prompt Decomposition mit Vektor-Embeddings zusammen?
Vektor-Embeddings sind die Art, wie KI-Systeme semantische Bedeutung verstehen. Zerlegt ein System eine Frage in Teilanfragen, wandelt es jede Teilanfrage in Vektor-Embeddings um. Mit diesen Embeddings findet das System semantisch ähnliche Inhalte, auch wenn die exakten Keywords nicht übereinstimmen. Deshalb erfasst Keyword-Abgleich allein nicht mehr, wie KI-Suche funktioniert. Zerlegung plus Embeddings bestimmen zusammen die Sichtbarkeit.
Heisst Zerlegung, dass meine Seite länger sein muss?
Im Gegenteil. Fokussierte, knappe Inhalte, die konkrete Fragen beantworten, werden öfter abgerufen als lange Seiten, die alles abdecken wollen. Ein fokussierter Artikel zu einem Aspekt eines Themas schlägt einen langen Artikel, der zehn Aspekte oberflächlich behandelt. Zerlegung belohnt Spezialisierung.
Was passiert mit meinem Inhalt, wenn er eine zerlegte Teilanfrage nur teilweise beantwortet?
Teilantworten werden trotzdem ausgewählt, wenn sie die beste verfügbare Antwort auf diese Teilanfrage sind. Die Zusammenführungsebene kombiniert deine Teilantwort mit Antworten anderer Quellen zu einer vollständigen Antwort. Hier zählt Themenautorität. Hast du mehrere Seiten, die jeweils andere Facetten einer komplexen Frage beantworten, wählt die Zerlegung alle aus und führt sie zusammen, sodass deine Marke über mehrere Antwortebenen sichtbar wird.
Woher weiss ich, ob mein Inhalt bei einer zerlegten Anfrage ausgewählt wird?
Tools für das Tracking der KI-Suche zeigen dir das. Achte auf Muster im KI-Verweis-Traffic zu bestimmten Seiten oder Abschnitten. Siehst du Traffic auf einer Seite, die in der klassischen Suche bisher nicht gut rankte, wird sie mit hoher Wahrscheinlichkeit für eine Teilanfrage einer zerlegten komplexen Frage ausgewählt. Mit der Zeit zeigt dir dieses Muster, welche Teile deiner Inhaltsbibliothek bei der Zerlegung wertvoll sind.