Ein Embedding macht Bedeutung für Computer berechenbar. Ein Modell übersetzt ein Wort, einen Satz, ein Bild oder ein ganzes Dokument in einen Vektor, eine feste Folge von Kommazahlen. Google beschreibt Embeddings in seinem Kurs zu maschinellem Lernen als Vektordarstellung von Daten in einem Einbettungsraum, in dem ähnliche Dinge näher beieinander liegen [1]. Der Abstand zwischen zwei Punkten lässt sich berechnen und als Maß dafür lesen, wie ähnlich sich die Inhalte sind [1].
Ein Beispiel aus der Küche
Der Google-Kurs erklärt das mit Gerichten. Man stelle sich eine Achse vor, die misst, wie sehr etwas ein Sandwich ist. Hotdog und Schawarma landen dort nah beieinander, Salat weiter weg. Kommen weitere Achsen dazu, etwa für Dessert oder Flüssigkeit, rückt Apfelstrudel in eine eigene Ecke und Borschtsch in eine andere [1]. Echte Modelle arbeiten mit viel mehr Achsen. Bei Wort-Embeddings sind laut dem Kurs 256, 512 oder 1.024 Dimensionen üblich [1]. Die Embedding-Modelle der Gemini API liefern standardmäßig 3.072 Werte je Vektor, empfohlen sind auch kleinere Größen von 768 oder 1.536 [2].
Embeddings gibt es auch für andere Inhalte als Text. Das Modell gemini-embedding-2 verarbeitet laut Google Text, Bilder, Video, Audio und PDF-Dateien mit bis zu 8.192 Eingabe-Tokens, das ältere gemini-embedding-001 nur Text mit bis zu 2.048 Tokens [2]. Längere Dokumente werden deshalb vor dem Einbetten meist in kürzere Abschnitte geteilt.
Wie Ähnlichkeit gemessen wird
Ein verbreitetes Maß ist die Kosinus-Ähnlichkeit. Sie vergleicht die Richtung zweier Vektoren und ignoriert ihre Länge. Die Werte liegen zwischen minus 1 und 1, wobei 1 die größte Ähnlichkeit bedeutet [2]. Zwei Sätze mit verschiedenen Wörtern, aber gleichem Sinn, etwa "Wie lange hat die Werkstatt offen?" und "Öffnungszeiten der Autowerkstatt", können so einen hohen Wert erreichen, obwohl kaum ein Wort übereinstimmt.
Noch eine Frage offen?
In der gratis Sprechstunde beantworten wir Fragen zu SEO live, jeden ersten Samstag im Monat um 18 Uhr. Oder du rufst einfach an.
Wo Embeddings in Suche und KI vorkommen
Google nennt als Anwendungen der Gemini-Embeddings unter anderem semantische Suche, Retrieval-Augmented Generation, das Neusortieren von Suchergebnissen, Klassifizierung, Clustering und das Erkennen von Ausreißern [2]. Bei RAG zerlegt ein System Dokumente in Abschnitte, speichert für jeden ein Embedding und sucht zu einer Frage die Abschnitte mit den ähnlichsten Vektoren heraus. Diese Abschnitte bekommt das Sprachmodell als Grundlage für seine Antwort. Die Suche über solche Vektoren beschreibt der Eintrag Vektorsuche.
In seinem Leitfaden zu den Rankingsystemen beschreibt Google den neuronalen Abgleich als KI-System, das Darstellungen von Konzepten in Suchanfragen und Seiten erkennt und sie einander zuordnet [3]. Welche Technik dabei genau zum Einsatz kommt, legt Google dort nicht offen. Für Texte folgt daraus, dass eine Seite zu einer Anfrage passen kann, auch wenn sie andere Wörter benutzt als die suchende Person. Mehr dazu erklären die Einträge semantische Suche und LLM.
Du fragst dich, ob deine Texte für Suchsysteme verständlich sind, die nach Bedeutung statt nach genauen Wörtern suchen? Darüber sprechen wir in der gratis Sprechstunde.
- Organisation Embeddings: Embedding space and static embeddings (Machine Learning Crash Course). Google for Developers. Stand 25.08.2025. abgerufen am 31.10.2026
- Organisation Einbettungen (Gemini API). Google AI for Developers. Stand 29.10.2026. abgerufen am 31.10.2026
- Organisation Leitfaden zu den Ranking-Systemen der Google Suche. Google Search Central. Stand 18.12.2025. abgerufen am 31.10.2026
Häufige Fragen
Was ist ein Embedding einfach erklärt?
Eine Liste von Zahlen, die die Bedeutung eines Inhalts darstellt. Inhalte mit ähnlicher Bedeutung bekommen ähnliche Zahlen und liegen im Zahlenraum nah beieinander.
Wie viele Dimensionen hat ein Embedding?
Das hängt vom Modell ab. Googles Kurs nennt für Wort-Embeddings oft 256, 512 oder 1.024 Dimensionen, die Gemini-Modelle liefern standardmäßig 3.072.
Wofür braucht man Embeddings?
Für semantische Suche, für Retrieval-Augmented Generation in KI-Assistenten, zum Sortieren von Ergebnissen, zum Gruppieren ähnlicher Texte und zur Klassifizierung, etwa beim Erkennen von Spam.
Nutzt Google Embeddings für das Ranking?
Google beschreibt den neuronalen Abgleich als System, das Darstellungen von Konzepten in Anfragen und Seiten erkennt. Die genaue Technik nennt Google im Leitfaden zu den Rankingsystemen nicht.
Noch eine Frage offen?
In der gratis Sprechstunde beantworten wir Fragen zu SEO live, jeden ersten Samstag im Monat um 18 Uhr. Oder du rufst einfach an.
Zuletzt geprüft am 03.11.2026, nächste Prüfung spätestens im November 2027. Fehler entdeckt? Schreib uns.
