Warum ich DBRS und Context World entwickelt habe

Abstract - Was kann ein kleines Unternehmen tun, damit es im KI- und Informationszeitalter nicht in der Datenflut verschwindet und übersehen wird?

Autor: Rainer Tolksdorf

Daraus entstand der Leitsatz:

Damit gefunden wird, was zählt – und verstanden wird, was gemeint ist.

Ich suchte dafür keine SEO-Methode und keinen Trick für eine bestimmte Suchmaschine. Mir war früh klar, dass Software helfen würde. Ebenso klar wurde, dass Software allein nicht genügt.

Es braucht gute Fachinformationen, eindeutige Begriffe, nachvollziehbare Zusammenhänge und Regeln für die Verwendung dieser Informationen.

Daraus entwickelte sich die Digital Business Relevance Suite (DBRS). Der Name drückt bewusst den ganzheitlichen Ansatz aus. Dazu gehören Texte, Software, Daten, Konzepte, wissenschaftliche Grundlagen, Dienstleistungen und Technologie.

Das Thema ist komplex. Ich halte wenig davon, diese Komplexität mit einfachen Versprechungen zu verdecken. Mein Ansatz ist, das Wesentliche schlüssig und verständlich zu beschreiben, ohne vorzugeben, damit jedes Detail erklärt zu haben.

Wer mehr wissen oder Aussagen hinterfragen möchte, ist zum Fachaustausch über die vielen Details, Versuche und Erfahrungen eingeladen.

KI war von Anfang an Begleiter dieser Entwicklung. Das war naheliegend:

Man kann kaum etwas entwickeln, das von KI besser verstanden werden soll, ohne während der Entwicklung mit KI zu arbeiten.

Daraus entstanden früh Methoden wie Collaborative AI Supported Engineering (CAISE) und im weiteren Verlauf DBRS und Context World.

Über meine Rolle und die unterschiedlichen Rollen der beteiligten KI-Systeme informiere ich separat. Das würde hier zu weit führen.

Heute liegen zahlreiche Versuche, Vergleiche, Beobachtungen und Dokumentationen vor. Sie bestärken meine ursprüngliche Überzeugung zunehmend.

Gleichzeitig beschreiben Google, Microsoft und Brave öffentlich immer genauer, wie sich Suche und KI verändern und wie Webinformationen zunehmend auch als Kontext für Maschinen verwendet werden.

Diese Herstellerdokumentationen sind für mich kein Beweis für DBRS. Sie helfen aber zu verstehen, in welche Richtung sich das Informationsökosystem entwickelt.

Die vollständigen internen Bewertungsverfahren dieser Systeme kenne ich nicht.

Ich behandle sie bewusst als Blackbox.

Mein Ansatz bleibt:

Den kontrollierbaren Input so gut wie möglich gestalten. Danach beobachten, was unterschiedliche Systeme daraus machen.

Die Ausgangsfrage betrifft besonders junge und kleine Unternehmen

Ein kleines Unternehmen kann auf seinem Gebiet hervorragend sein und trotzdem digital kaum wahrgenommen werden.

Vielleicht besitzt es jahrzehntelange Erfahrung.

• Besondere Verfahren.
• Menschen mit seltenem Fachwissen.
• Eigene Methoden.
• Technische Lösungen, die nicht im Lehrbuch stehen.
• Erfahrungen aus Projekten und Kundenproblemen.
• Wissen, das grössere und bekanntere Unternehmen vielleicht gar nicht besitzen.
• Innerhalb des Unternehmens ist vieles davon selbstverständlich.

Im Internet ist häufig nur ein kleiner Ausschnitt sichtbar. Eine Suchmaschine oder ein KI-System sieht zunächst das, was digital zugänglich ist: Webseiten, Dokumente, Daten, Bilder, Verweise und strukturierte Informationen. Aus diesem Ausschnitt soll ein fremdes System rekonstruieren:

• Wer ist dieses Unternehmen?
• Was kann es wirklich?
• Was unterscheidet es von anderen?
• Was bedeuten seine Begriffe?
• Welche Aussagen gehören zusammen?
• Welche Quelle ist verbindlich?
• Worauf beruht eine Aussage?
• Warum sollte man ihr vertrauen?

Ich glaube, dass diese Fragen im KI-Zeitalter erheblich wichtiger werden. Die Antwort kann aus meiner Sicht nicht lauten: Wir müssen einfach mehr publizieren und lauter werden.

Ein kleines Unternehmen wird den Wettbewerb um die grösste Datenmenge kaum gewinnen. Es kann aber etwas anderes tun:

Für seine relevanten Themen eine besonders gute Informationsquelle sein.

Finden und Verstehen sind zwei verschiedene Aufgaben

Aus der ursprünglichen Frage entstand deshalb der Satz:

Damit gefunden wird, was zählt – und verstanden wird, was gemeint ist.

Die beiden Satzteile gehören zusammen. Sie beschreiben aber unterschiedliche Probleme.

Damit gefunden wird, was zählt

Eine fachlich wertvolle Information muss erreichbar sein.

Wenn sie nur in einem internen Laufwerk liegt, auf einer nicht erreichbaren Seite verborgen ist oder überhaupt nicht publiziert wurde, kann ein fremdes System kaum etwas damit anfangen.

Damit verstanden wird, was gemeint ist

Auffindbarkeit allein genügt nicht.

Ein System muss möglichst gut erkennen können:

• welches Unternehmen gemeint ist,
• welche Person gemeint ist,
• was ein Begriff in diesem Zusammenhang bedeutet,
• welche Leistung beschrieben wird,
• welche Informationen zusammengehören,
• welche Quelle verbindlich ist.

Damit wurde aus einer Frage der Auffindbarkeit schnell eine Frage von Bedeutung, Eindeutigkeit und Rekonstruierbarkeit.

Software allein kann diese Aufgabe nicht lösen

Software kann Informationen speichern, strukturieren und verbinden.

• Sie kann IDs vergeben.
• Sie kann Indizes erzeugen.
• Sie kann Daten maschinenlesbar bereitstellen.
• Sie kann Beziehungen dokumentieren und Änderungen nachvollziehbar machen.

Aber Software kann keine fachliche Substanz herbeizaubern, die vorher niemand formuliert hat. KI kann aus Kontext Bedeutung ableiten. Was ein Unternehmen über sich selbst aussagen und bedeuten will, sollte es jedoch selbst formulieren und verantworten. Nur so bleibt die Information authentisch.

• Wenn ein Unternehmen nirgends erklärt, worin seine besondere Erfahrung besteht, hilft die beste Datenstruktur wenig.

• Wenn Herkunft und Verantwortlichkeit einer Aussage unbekannt sind, wird sie durch JSON nicht vertrauenswürdiger.

• Wenn zwei Leistungen sprachlich nicht auseinandergehalten werden, löst eine technische ID allein das Verständnisproblem nicht.

Daraus ergaben sich für mich zwei Aufgaben:

Wir brauchen bessere Fachinformationen.

und:

Wir brauchen bessere Strukturen für diese Fachinformationen.

Heute nenne ich die beiden Seiten Context Publishing und DBRS.

• Context Publishing schafft die fachliche Substanz.

• DBRS unterstützt ihre eindeutige Identifikation, Verbindung und Rekonstruierbarkeit.

• Context World verbindet beides.

KI wurde Entwicklungsgegenüber

Wenn ich wissen möchte, ob eine KI etwas versteht, reicht es nicht, darüber theoretisch zu spekulieren. Ich muss mit ihr arbeiten. 

Gerade Missverständnisse sind dabei wertvoll.

• Eine KI kann ein Unternehmen mit einem anderen verwechseln.
• Sie kann eine Leistung falsch einordnen.
• Sie kann aus unvollständigen Informationen einen plausiblen, aber falschen Ersatzkontext konstruieren.
• Sie kann einen Zusammenhang erkennen, den wir selbst übersehen haben.
• Oder trotz vermeintlich guter Informationen an einer überraschend einfachen Frage scheitern.

Dadurch wird KI gleichzeitig Untersuchungsgegenstand und Werkzeug. Aus dieser Erfahrung entwickelte sich früh Collaborative AI Supported Engineering - CAISE.

Mehr erfahren über CAISE

Der Mensch gibt dabei nicht einfach eine Aufgabe an eine Maschine ab.

Menschen und KI-Systeme bringen unterschiedliche Fähigkeiten und Perspektiven ein. Hypothesen können gemeinsam entwickelt, kritisiert, umgesetzt und wieder geprüft werden. Die Breite ihres vernetzten Wissens und ihre Fähigkeit, in kurzer Zeit grosse Mengen Text zu bearbeiten und Zusammenhänge darin zu erkennen, sind dabei besonders wertvolle Fähigkeiten der KI.

Diese Zusammenarbeit hat DBRS und Context World von Beginn an geprägt.

Meine grundlegende Überzeugung über Information

Ein Gedanke blieb dabei erstaunlich stabil.

Wenn ein Softwaresystem für eine Aufgabe einen zugänglichen, gültigen und fachlich relevanten Datensatz findet, kann es ihn verwenden.

Dass eine Information schon früher verwendet wurde, macht sie fachlich nicht ungültig.

Ob ein System sie technisch erneut von einer Website lädt, aus einem Suchindex bezieht, aus einem Cache verwendet oder über eine andere Schnittstelle erhält, ist für diesen Gedanken zweitrangig.

Die entscheidenden Fragen sind:

• Ist die Information erreichbar?
• Ist sie eindeutig genug?
• Ist sie für die Aufgabe relevant?

Das bedeutet ausdrücklich nicht, dass die wiederholte Veröffentlichung desselben Inhalts zusätzliches Gewicht erzeugt.

Suchmaschinen wie Google verfügen über eigene Systeme zur Zusammenführung gleicher oder sehr ähnlicher Inhalte (Deduplizierung) und Auswahl repräsentativer Inhalte. Mir geht es nicht um Redundanz, sondern um einen

verlässlichen Weg zu einer relevanten Information.

Relevanz und Ausspielung kommen danach

Eine erreichbare Information muss für eine konkrete Frage noch lange nicht relevant sein.

Google beschreibt selbst eine Trennung zwischen dem Identifizieren relevanter Inhalte und der anschliessenden Priorisierung besonders hilfreicher Inhalte.

Für mich ergibt sich daraus eine einfache Unterscheidung:

Finden

• Kann ein System die Information erreichen?

Verstehen und bewerten

• Passt die Information zur Aufgabe? Ist sie eindeutig und fachlich brauchbar?

Verwenden oder ausspielen

• Was entscheidet das jeweilige System daraus tatsächlich zu machen?

Die dritte Ebene gehört dem System.

Google nutzt zahlreiche Signale und unterschiedliche Systeme. Microsoft entscheidet nach eigenen Verfahren. Brave ebenso. KI-Systeme können zusätzlich eigene Retrieval-, Retrieval-Augmented Generation (RAG)- und Orchestrierungslogiken verwenden.

Diese Blackbox muss nicht nachgebaut werden.

Den Input kontrollieren, den Output beobachten

Das ist für mich eine praktische und ehrliche Haltung.

• Wir können Google nicht vorschreiben, wie Google entscheidet.
• Wir können Bing nicht vorschreiben, wie Bing entscheidet.
• Wir können Brave nicht vorschreiben, wie Brave entscheidet.

Und wir können einem zukünftigen KI-Agenten nicht vorschreiben, welche Informationsquellen er verwendet.

Aber wir können beeinflussen, was wir diesen Systemen anbieten.

Deshalb konzentriere ich mich auf den kontrollierbaren Input:

• fachlich relevante Inhalte,
• klare Begriffe,
• eindeutige Identitäten,
• nachvollziehbare Herkunft,
• Beziehungen zwischen Informationen,
• kanonische Quellen,
• maschinenlesbare Repräsentationen,
• Regeln für die Verwendung.

Danach beobachte ich den Output.

• Wird ein Unternehmen gefunden?
• Wird das richtige Unternehmen erkannt?
• Werden seine Fähigkeiten korrekt rekonstruiert?
• Werden ähnliche Unternehmen unterschieden?
• Werden Zusammenhänge erkannt?
• Welche Quellen werden verwendet?
• Was fehlt?

Damit wird Wirkung beobachtbar, ohne behaupten zu müssen, interne Ranking-Scores oder intransparente Bewertungsmodelle von Tool-Herstellern zu kennen.

Herstellerdokumentation und eigene Beobachtung sind nicht dasselbe

Diese Trennung ist mir wichtig.

Ich unterscheide vier Ebenen:

Kontrollierbarer Input

• Was wir selbst publizieren und strukturieren.

Blackbox

• Was ein fremdes System intern damit macht.

Beobachtbarer Output

• Was wir bei konkreten Suchanfragen und KI-Tests tatsächlich sehen.

Dokumentierte Selbstauskunft

• Was Google, Microsoft, Brave oder andere Anbieter öffentlich über ihre Systeme, Ziele und Funktionen sagen.

Herstellerdokumentation hilft dabei, Entwicklungen einzuordnen und Hypothesen zu bilden. Sie beweist aber nicht, dass ein bestimmtes Suchergebnis durch DBRS verursacht wurde. Genauso beweist eine einzelne Beobachtung nicht automatisch einen bestimmten internen Mechanismus. Diese Ebenen versuche ich bewusst auseinanderzuhalten.

E-E-A-T ist für mich eine Vorgabe zur Struktur von Fachinformation

Für die Erstellung von Inhalten orientiere ich mich an E-E-A-T:

Experience - Expertise - Authoritativeness - Trustworthiness

Nicht als Ranking-Hoffnung oder Versuch zur Beeinflussung. Ranking-Scores interessieren mich dabei nicht.

E-E-A-T ist für mich keine Google-Erfindung im Sinne einer neuen Theorie guter Inhalte, sondern eine sinnvolle Autorenregel. Es bündelt bewährte Anforderungen an belastbare Fachinformation: Erfahrung, Fachkompetenz, Autorität und Vertrauenswürdigkeit. Vergleichbare Prinzipien gibt es seit langem in Wissenschaft, Journalismus und Informationsbewertung.

Experience – Erfahrung

• Worauf beruht eine Aussage?

Welche eigene Arbeit, Beobachtung oder praktische Erfahrung steckt dahinter?

Expertise – Fachkompetenz

• Wer besitzt das Wissen und die Fähigkeiten, diese Aussage fachlich fundiert treffen zu können?

Authoritativeness – Autorität

• Warum ist diese Person, Organisation oder Quelle für genau dieses Thema relevant?

Trustworthiness – Vertrauenswürdigkeit

• Sind Herkunft, Verantwortlichkeit und gegebenenfalls Belege nachvollziehbar?

Google empfiehlt selbst unter anderem originäre Informationen, eigene Forschung und Analyse, erkennbare Erfahrung aus erster Hand, klare Quellen und nachvollziehbare Fachkompetenz. Google stellt gleichzeitig ausdrücklich klar, dass E-E-A-T kein einzelner Rankingfaktor ist. Beides passt zu meinem Verständnis.

• Ich nutze E-E-A-T nicht, weil ich damit einen Score erzeugen möchte.
• Ich nutze es, weil dadurch bessere Fachinformationen entstehen können.

Google: Hilfreiche, vertrauenswürdige, nutzerorientierte Inhalte erstellen

E-E-A-T + P: Für Agenten reicht Vertrauen allein nicht

Für Context World kommt eine zweite Dimension hinzu. Ich bezeichne sie als:

E-E-A-T + P

• Das P steht für Policies.

Es ist nicht einfach ein weiteres Qualitätsmerkmal neben E-E-A-T.
E-E-A-T fragt im Kern:

Kann ich mich auf diese Information verlassen?

Policy stellt eine andere Frage:

Was darf ich mit dieser Information tun?

Eine Information kann vollkommen richtig und vertrauenswürdig sein und trotzdem nicht für jede Verwendung freigegeben sein. Sie kann beispielsweise:

• öffentlich sein,
• nur intern bestimmt sein,
• geschützt sein,
• zitierbar sein,
• nur unter bestimmten Bedingungen weiterverwendet werden,
• eine menschliche Freigabe erfordern,
• durch eine neuere kanonische Quelle ersetzt worden sein.

Für Menschen sind solche Regeln in Organisationen häufig teilweise implizit. Für Agentic AI halte ich das für unzureichend.

Trust sagt, ob ich mich auf eine Information verlassen kann. Policy sagt, was ich mit ihr tun darf.

Ein Agent braucht beides.

Aus einzelnen Informationen wird ein sprechendes Bedeutungsnetz

Damit kommen wir zum Kern von DBRS.

Eine Sammlung guter Dokumente ist noch keine rekonstruierbare Unternehmenswelt. Zwischen Informationen bestehen Beziehungen.

• Eine Aussage gehört zu einem Thema.
• Ein Thema gehört zu einem Unternehmen.
• Ein Fachbegriff besitzt in einem bestimmten Zusammenhang eine konkrete Bedeutung.
• Eine Person hat eine Rolle.
• Ein Dokument belegt eine Aussage.
• Eine neue Information ersetzt eine alte.
• Ein bestimmter Datensatz ist die kanonische (verbindliche, massgebliche) Quelle.

Diese Beziehungen möchte DBRS möglichst explizit machen. Der dbrs_frontmatter_index ist dabei für mich der:

zentrale Nervenstrang des Bedeutungsnetzwerks.

Er ist Navigationspfad und Datenquelle zugleich. Er verbindet Identitäten, Themen, Dokumente, Beziehungen und kanonische Quellen. Mein Ziel ist dabei mehr als ein technisches Linknetz. Ich nenne es ein:

sprechendes Bedeutungsnetz.

Die Knoten sollen nicht nur miteinander verbunden sein, sondern sollen möglichst deutlich folgendes ausdrücken:

• was sie bedeuten,
• zu wem sie gehören,
• worauf ihre Aussagen beruhen,
• welche Fachkompetenz dahintersteht,
• womit sie verbunden sind,
• welche Quelle verbindlich ist,
• welche Regeln für ihre Verwendung gelten.

Damit greifen die Bestandteile ineinander:

E-E-A-T + P unterstützt die Aussagekraft der einzelnen Informationen.

DBRS macht Identitäten und Beziehungen explizit.

Das sprechende Bedeutungsnetz verbindet die Informationen.

Context World macht daraus eine möglichst gut rekonstruierbare Unternehmenswelt.

Strukturierte Daten sind Mittel, nicht Zweck

Strukturierte Daten sind dabei ein Werkzeug.

Google beschreibt sie als Möglichkeit, explizite Hinweise über die Bedeutung einer Seite zu geben und Informationen über Dinge wie Menschen und Organisationen besser einzuordnen.

Bei bestimmten Organisationsdaten beschreibt Google sogar Eigenschaften, die im Hintergrund zur Unterscheidung von Organisationen verwendet werden können.

Das passt zur Problemstellung von Context World.

• Es bedeutet aber nicht, dass Google DBRS "braucht".
• Und es bedeutet auch nicht, dass mehr Markup automatisch mehr Wirkung erzeugt.

Struktur ist für mich dann sinnvoll, wenn sie Bedeutung klarer, Identität eindeutiger oder Beziehungen besser rekonstruierbar macht.

Google: Einführung in strukturierte Daten

Google: Strukturierte Daten für Organisationen

Was Google ausdrücklich nicht braucht

Gerade weil ich keine geheimen Mechanismen behaupten möchte, gehört auch diese Seite der Google-Dokumentation dazu.

Google sagt für seine generative Suche ausdrücklich:

• Es ist kein spezielles AI-Markup erforderlich.
• llms.txt wird von Google Search nicht für Sichtbarkeit oder Ranking verwendet.
• Inhalte müssen nicht künstlich in winzige Abschnitte zerlegt werden.
• Texte müssen nicht für jede denkbare Synonym- oder Longtail-Variante umgeschrieben werden.
• Strukturierte Daten sind keine Voraussetzung für die generative Suche.

Google sagt zugleich ausdrücklich, dass es völlig in Ordnung ist, Dateien wie die vorgeschlagene llms.txt für andere Dienste und Systeme bereitzustellen, die sie verwenden. Auch DBRS unterstützt diese Seite. 

Mehr erfahren über llms.txt

Das halte ich für eine wichtige Abgrenzung.

DBRS wurde nicht entwickelt, weil Google DBRS braucht.

DBRS wurde entwickelt, weil Unternehmen eine möglichst verlässliche und systemübergreifend rekonstruierbare Informationswelt brauchen.

Google und Microsoft sind mögliche Konsumenten, aber nicht die einzigen.

Google: Website für generative KI-Funktionen optimieren

Wohin sich das Informationsökosystem entwickelt

Ich sehe die öffentlichen Dokumentationen von Google, Microsoft und Brave nicht als Bestätigung von DBRS.

Sie zeigen mir etwas anderes:

Webinformationen werden zunehmend nicht nur für Menschen gesucht und angezeigt. Sie werden als Kontext für Maschinen verwendet.

Das ist die für mich interessante Entwicklung.

Google: Suche liefert Kontext für generative Antworten

Google beschreibt für seine generativen Suchfunktionen inzwischen ausdrücklich Retrieval-Augmented Generation – RAG.

Dabei werden relevante und aktuelle Webseiten aus dem Suchindex abgerufen. Anschliessend werden konkrete Informationen auf diesen Seiten zur Fundierung einer Antwort verwendet.

Google beschreibt zusätzlich eine parallele Anfrageverarbeitung.

Aus einer ursprünglichen Frage können mehrere zusammenhängende Suchanfragen entstehen, um zusätzliche relevante Informationen zu finden.

Für mich ist daran weniger die interne Google-Technik interessant als die Konsequenz:

Eine komplexe Frage kann dazu führen, dass sehr spezielle Informationen aus unterschiedlichen Quellen benötigt werden.

Genau darin liegt eine Chance für Nischenanbieter. Denn grosse und bekannte Websites sind nicht automatisch für jede Teilfrage die beste Quelle. Je spezieller die benötigte Information wird, desto grösser kann der Vorteil eines Nischenanbieters sein, der genau dazu eigenes Wissen, Erfahrung oder Daten veröffentlicht hat.

Google: Website für generative KI-Funktionen optimieren

Microsoft: Sichtbarkeit besteht zunehmend auch aus Zitationen

Microsoft zeigt seit Februar 2026 in Bing Webmaster Tools, wenn Inhalte einer Website in Microsoft Copilot, KI-generierten Bing-Antworten und ausgewählten Partnerintegrationen als Quelle zitiert werden.

Microsoft stellt ausdrücklich klar, dass diese Messwerte kein Ranking, keine Autorität und keine Rolle einer Seite innerhalb einer konkreten Antwort ausdrücken.

Das ist eine wichtige Einschränkung.

Gleichzeitig empfiehlt Microsoft unter anderem:

• Inhalte klar zu strukturieren,
• Aussagen mit Belegen zu unterstützen,
• Inhalte aktuell zu halten,
• Mehrdeutigkeit über unterschiedliche Formate hinweg zu reduzieren,
• Text, Bilder und Videos so aufeinander abzustimmen, dass sie dieselben Entitäten, Produkte und Konzepte konsistent darstellen.

Das ist keine DBRS-Bestätigung.

Es zeigt aber sehr deutlich eine Problemrichtung, die auch Context World beschäftigt:

Wenn Maschinen Informationen als Quellen verwenden sollen, werden Klarheit, Eindeutigkeit und konsistente Bedeutung wichtiger.

Bereits 2018 beschrieb Microsoft strukturierte Daten als einen Hinweis, den Bing beim Verständnis von Seiten verwendet, und hob bei JavaScript Object Notation for Linked Data (JSON-LD) ausdrücklich die Möglichkeit hervor, Beziehungen zwischen Daten und Entitäten zu definieren.

Microsoft Bing: AI Performance in Bing Webmaster Tools

Microsoft Bing: JSON-LD Support

Brave: Websuche wird direkt zum Kontext für andere KI-Systeme

Brave zeigt dieselbe Entwicklung aus einer anderen Perspektive.

Die Brave Search Application Programming Interface (API) wird ausdrücklich für Agenten, Chatbots und RAG-Anwendungen angeboten. Neben normaler Websuche bietet Brave einen eigenen LLM Context an. Dazu kommen zusätzliche Snippets, Metadaten und teilweise schema-angereicherte Resultate.

Auch daraus leite ich nicht ab, dass Brave DBRS benötigt oder DBRS-Strukturen in einer bestimmten Weise interpretiert. Brave zeigt aber sehr anschaulich:

Eine Suchmaschine kann selbst zum Kontextlieferanten für andere Maschinen werden.

Damit verändert sich die Rolle des Webs.

Eine Website wird nicht mehr nur von Menschen besucht oder in einer Ergebnisliste angezeigt. Ihre Informationen können Teil eines maschinell zusammengestellten Kontexts für einen anderen Agenten oder ein anderes KI-System werden.

Brave Search API

Die Hersteller beschreiben die Bewegung – nicht den Beweis

Diese Unterscheidung möchte ich ausdrücklich festhalten.

Weder Google noch Microsoft noch Brave bestätigen DBRS. Ihre Dokumentationen zeigen aber, dass sich das Informationsökosystem in eine Richtung bewegt, in der:

• Maschinen Inhalte abrufen,
• unterschiedliche Quellen kombiniert werden,
• Informationen zitiert werden,
• Entitäten unterschieden werden,
• Kontext für andere KI-Systeme bereitgestellt wird,
• autonome Agenten mit Websites interagieren.

Das ist das Umfeld, für das Context World gedacht ist.

Ob und wie gut ein bestimmtes System ein DBRS-Bedeutungsnetz tatsächlich interpretiert, untersuchen wir experimentell.

Context Publishing liefert das, was nicht austauschbar ist

Die technische Struktur allein ist wertlos, wenn die Inhalte austauschbar sind.

Die eigentliche Chance kleiner Fachunternehmen liegt für mich deshalb in ihrem eigenen Wissen. Google formuliert diesen Gedanken in seinem aktuellen Leitfaden für generative Suche ungewöhnlich deutlich. Einzigartige, ansprechende und nützliche Inhalte werden dort als langfristig wahrscheinlich besonders wichtig für die Präsenz in generativer Suche beschrieben.Google empfiehlt ausdrücklich:

• eigene Perspektiven,
• eigene Erfahrungen,
• eigenes Fachwissen,

statt nur das zu wiederholen, was ohnehin bereits im Internet steht oder problemlos von einer generativen KI erzeugt werden könnte. Das halte ich für eine wichtige Botschaft an kleine Unternehmen. Sie müssen nicht mehr allgemeines Wissen publizieren als grosse Plattformen.

Sie sollten das sichtbar machen, was sie tatsächlich wissen und andere nicht ohne Weiteres wissen können.

Google: Website für generative KI-Funktionen optimieren

Eine kleine Website kann eine grosse Fachquelle sein

Damit kehre ich zur Ausgangsfrage zurück.

Eine kleine Website muss nicht für jeden Begriff die stärkste Website des Internets sein. Sie kann für eine sehr spezielle Frage eine besonders wertvolle Quelle sein. Generative Suche macht diese Möglichkeit aus meiner Sicht noch interessanter.

Wenn eine komplexe Frage in mehrere Teilfragen zerlegt wird und unterschiedliche Quellen zur Fundierung einer Antwort verwendet werden, kann ein hoch spezialisiertes Unternehmen gerade dort relevant werden, wo sein besonderes Wissen gebraucht wird.

Deshalb lautet eine meiner zentralen Überzeugungen:

Eine Nischenwebsite muss nicht die stärkste Domain sein. Sie muss für einen relevanten Teil des Bedeutungsraums eine besonders gute rekonstruierbare Quelle sein.

Wenn Wissen verwendet wird, ohne dass die Quelle genannt wird

Mit der Sichtbarkeit von Fachwissen entsteht eine berechtigte Sorge:

Was geschieht, wenn eine KI mein Wissen verwendet, aber mich oder mein Unternehmen nicht als Quelle nennt?

Diese Möglichkeit besteht.

Generative Systeme können Informationen aufnehmen, zusammenfassen und mit anderen Informationen verbinden. Dabei ist für den Nutzer nicht immer sichtbar, woher jede einzelne Aussage stammt.

Context World kann eine Namensnennung nicht erzwingen. DBRS kann einem fremden System ebenfalls nicht vorschreiben, welche Quelle es nennt. Das gehört zur Blackbox.

Die Alternativen sind aber ebenfalls keine Lösung.

• Wissen gar nicht zu veröffentlichen schützt zwar vor öffentlicher Verwendung, macht es zugleich aber auch für Suchmaschinen, KI-Systeme und potenzielle Kunden unsichtbar.
• Wissen absichtlich unklar oder schwer verständlich zu publizieren, erhöht dagegen das Risiko, falsch eingeordnet oder gar nicht berücksichtigt zu werden.

Für mich liegt die vernünftige Antwort deshalb zwischen Offenlegung und Schutz:

Nicht alles veröffentlichen. Aber das, was veröffentlicht wird, so eindeutig wie möglich veröffentlichen.

Dazu sollte möglichst klar erkennbar sein:

• wer die Information veröffentlicht hat,
• wer fachlich dafür steht,
• zu welchem Unternehmen sie gehört,
• wo die kanonische Quelle liegt,
• wann sie veröffentlicht oder aktualisiert wurde,
• unter welchen Regeln sie verwendet werden darf.

Genau deshalb sind eindeutige Identitäten, nachvollziehbare Autorenschaft, kanonische Quellen und Policies wichtig. Sie garantieren zwar auch keine Zitation, schaffen aber bessere Voraussetzungen dafür, dass Herkunft und Verantwortung rekonstruierbar bleiben.

Dabei muss jedes Unternehmen selbst entscheiden, welche Informationen öffentlich sein sollen, welche nur intern verwendet werden dürfen und welche geschützt bleiben müssen.

Hier wird das P in E-E-A-T + P praktisch:

Die Frage lautet nicht nur, ob eine Information gut und vertrauenswürdig ist. Ebenso wichtig ist, ob und unter welchen Bedingungen sie verwendet werden darf.

Context Publishing bedeutet deshalb nicht, alles preiszugeben.

Es bedeutet, bewusst das zu publizieren, was ein Unternehmen öffentlich als Teil seiner Fachkompetenz sichtbar machen möchte – und dieses Wissen dann klar, authentisch und mit nachvollziehbarer Herkunft zu veröffentlichen.

Auffindbarkeit lässt sich verbessern. Herkunft lässt sich deutlich machen. Zitation lässt sich begünstigen. Erzwingen lässt sie sich nicht.

Was wir inzwischen beobachten

DBRS und Context World sind inzwischen nicht mehr nur Gedankenmodelle.

Wir führen reale Versuche mit den Suchmaschinen von Google, Bing, Brave durch. Zusätzlich mit unterschiedlichen Sprachmodellen von Google, Copilot, Claude und Perplexity. Betrachtet wurden

• diese Website
• Kunden- und Wettbewerbswebsites.

Dabei prüfen wir nicht nur, ob eine URL irgendwo erscheint. Wir untersuchen beispielsweise:

• Wird ein Unternehmen eindeutig erkannt?
• Werden seine Fähigkeiten richtig rekonstruiert?
• Werden Prozesse verstanden?
• Wird der Zweck eines Angebots erkannt?
• Können ähnliche Unternehmen unterschieden werden?
• Welche Zusammenhänge konstruiert ein System?
• Welche Quellen verwendet es?
• Welche Informationen bleiben unsichtbar?
• Was verändert sich, wenn Informationen klarer und eindeutiger publiziert werden?

Daraus sind inzwischen zahlreiche Testreihen, Vergleichsdokumente und Protokolle entstanden, die zeigen

• Die Systeme verhalten sich unterschiedlich.
• Manche erkennen eine Beziehung, an der ein anderes System scheitert.
• Manche können eine Entität eindeutig zuordnen.
• Andere bleiben an einer allgemeineren Ebene hängen.
• Gerade diese Unterschiede sind interessant.

Und gerade deshalb sollte Context World aus meiner Sicht nicht für eine einzige Suchmaschine gebaut werden. Ausgewählte Versuchsreihen und Fallbeispiele werde ich separat dokumentieren.

Beobachtung ist kein Kausalitätsbeweis

Diese Grenze ist mir wichtig.

Wir beobachten bei Tolksdorf.digital Wirkungen, wie sie zu unseren Hypothesen passen. Zum Beispiel, dass eine kleine Fachwebsite bei spezifischen Themen bemerkenswert sichtbar werden kann. Wir beobachten auch, dass Systeme strukturierte Identitäten und Beziehungen unterschiedlich verarbeiten. Und wir beobachten, dass einzigartige Fachinformationen bei passenden Fragen gefunden und verwendet werden können.

Daraus folgt aber nicht automatisch:

Dieses einzelne Suchergebnis wurde durch DBRS verursacht.

Die Wirkung kann aus vielen Bestandteilen entstehen:

• eigenständigem Fachinhalt,
• Spezialisierung,
• E-E-A-T, bzw. E-E-A-T+P
• guter interner Verlinkung,
• eindeutigen Entitäten,
• strukturierten Daten,
• DBRS,
• Aktualität,
• Suchintention,
• weiteren bekannten oder unbekannten Faktoren.

In dem Komplex Internet, Suchmaschinen und KI kann man den Anteil jedes einzelnen Bestandteils nicht isoliert angeben - die Blackbox darf Blackbox bleiben.

Wir gestalten den kontrollierbaren Input möglichst gut und prüfen empirisch den Output.

Was ich ausdrücklich nicht verspreche

DBRS garantiert kein Ranking, genauso wenig wie SEO- oder GEO-Optimierungen.

Context World garantiert keine Sichtbarkeit.

E-E-A-T ist für mich kein Punktesystem.

Strukturierte Daten machen schlechte Inhalte nicht wertvoll.

llms.txt ist kein geheimer Zugang zu Google.

Ein dbrs_frontmatter_index macht ein Unternehmen nicht automatisch zur Fachautorität.

Google, Microsoft und Brave bestätigen DBRS nicht dadurch, dass ihre Dokumentationen einzelne ähnliche Problemstellungen behandeln.

Und ich behaupte nicht, die vollständigen internen Verfahren dieser Systeme zu kennen.

Meine Überzeugung ist einfacher:

Wenn ein Unternehmen eigenständige und fachlich wertvolle Informationen publiziert, ihre Herkunft nachvollziehbar macht und ihre Identitäten, Beziehungen und Regeln möglichst eindeutig beschreibt, schafft es bessere Voraussetzungen dafür, dass Menschen und Maschinen seine Unternehmenswelt rekonstruieren können.

Was ein konkretes System daraus macht, entscheidet dieses System.

Wir können beobachten, was geschieht.

Warum ich DBRS und Context World weiterentwickle

Damit komme ich zurück zur ersten Frage:

Was kann ein kleines Unternehmen tun, damit es im KI- und Informationszeitalter nicht in der Datenflut verschwindet und übersehen wird?

Meine Antwort heute in drei Punkten:

1. Eigene Fachwelt sichtbar machen.

Nicht überall gross sein wollen, sondern dort stark sein, wo eigenes Wissen, Erfahrung und Können zählen.

2. Bedeutung und Herkunft eindeutig machen.

Gute Fachinformationen brauchen klare Begriffe, nachvollziehbare Quellen, Beziehungen und Regeln für ihre Verwendung.

3. Für Menschen und Maschinen rekonstruierbar publizieren.

Context Publishing schafft die Inhalte, DBRS verbindet sie zu einem sprechenden Bedeutungsnetz und Context World macht daraus eine verständliche Unternehmenswelt.

Darum entwickle ich DBRS und Context World.

Damit gefunden wird, was zählt – und verstanden wird, was gemeint ist.

Weiterführende Quellen

Executive Summary - Trusted Context World Publishing

https://tolksdorf.digital/executive-summary-trusted-context-world-publishing

Implementierung Digital Business Relevance Suite (DBRS) LLM Knowledge Hub

https://tolksdorf.digital/dbrs-llm-knowledge-hub

Google Search Central – Hilfreiche, vertrauenswürdige, nutzerorientierte Inhalte erstellen

E-E-A-T, eigene Erfahrung, Originalität, Fachkompetenz und Vertrauenswürdigkeit.

Dokumentation zu Google Search Central öffnen

Google Search Central – Website für generative KI-Funktionen optimieren

Einzigartige Fachinhalte, RAG, parallele Anfrageverarbeitung sowie klare Hinweise dazu, welche vermeintlichen AI-SEO-Massnahmen Google nicht benötigt.

Dokumentation zu Website für generative KI-Funktionen optimieren öffnen

Google Search Central – Ranking-Systeme der Google Suche

Seitenbezogene und websiteweite Signale, semantische Systeme, Originalinhalte und Deduplizierung.

Dokumentation zu Ranking-Systeme der Google Suche öffnen

Google Search Central – Einführung in strukturierte Daten

Zu expliziten Hinweisen über die Bedeutung von Seiten und beschriebenen Entitäten.

Dokumentation zu Einführung in strukturierte Daten öffnen

Google Search Central – Zu strukturierten Angaben über Organisationen und ihrer Identifikation.

Dokumentation zu Organization Structured Data öffnen

Microsoft Bing Webmaster – AI Performance

Zur Zitation von Website-Inhalten in Copilot und AI-Antworten sowie zu Klarheit, Belegen und der Reduzierung von Mehrdeutigkeit.

Dokumentation zu Bing Webmaster – AI Performance öffnen

Microsoft Bing Webmaster – JSON-LD Support

Zu strukturierten Daten und Beziehungen zwischen Daten und Entitäten.

Dokumentation zu Microsoft Bing Webmaster öffnen

Brave Search API

Websuche und aufbereiteter Kontext für Agenten, Chatbots und RAG-Anwendungen.

Dokumentation zu Brave Search API öffnen