Was ist MUM und wie beeinflusst es die KI-Suche?

Verständnis von MUM: Googles Multitask Unified Model

MUM (Multitask Unified Model) ist ein revolutionäres Framework für künstliche Intelligenz, das von Google entwickelt und im Mai 2021 vorgestellt wurde. Es stellt einen bedeutenden Fortschritt darin dar, wie Suchmaschinen komplexe Nutzeranfragen verstehen und verarbeiten. Im Gegensatz zu früheren KI-Modellen, die sich vor allem auf das textbasierte Verständnis konzentrierten, ist MUM ein multimodales und mehrsprachiges KI-System, das gleichzeitig Informationen aus Text, Bildern, Videos und Audiodateien verarbeiten kann. Dieser grundlegende Technologiesprung hat tiefgreifende Auswirkungen darauf, wie KI-Suchmaschinen Ergebnisse liefern und wie Nutzer mit Suchplattformen interagieren.

Die Kerninnovation von MUM liegt in der Fähigkeit, Kontext und Nuancen auf eine Weise zu verstehen, wie es vorherige Modelle nicht konnten. Googles Forschungsteam baute MUM auf dem T5 Text-zu-Text-Framework auf, wodurch es etwa 1.000-mal leistungsfähiger als BERT ist, sein Vorgängermodell. Diese gesteigerte Leistungsfähigkeit ermöglicht es MUM, Sprache nicht nur zu verstehen, sondern auch zu generieren, und damit Informationen und Weltwissen umfassender zu erfassen. Das Modell wurde gleichzeitig in 75 verschiedenen Sprachen und vielen verschiedenen Aufgabenbereichen trainiert, was ihm ein ausgefeilteres Verständnis dafür verleiht, wie Informationen in unterschiedlichen Kontexten, Kulturen und Formaten zusammenhängen.

Wie MUM komplexe Suchanfragen verarbeitet

Die Art und Weise, wie MUM Suchanfragen verarbeitet, unterscheidet sich grundlegend von traditionellen Suchalgorithmen. Wenn ein Nutzer eine komplexe Anfrage stellt, analysiert MUM mehrere mögliche Interpretationen parallel anstatt sich auf ein einziges Verständnis zu beschränken. Diese Fähigkeit zur Parallelverarbeitung ermöglicht es dem System, Erkenntnisse auf Basis tiefgehenden Weltwissens zu gewinnen und gleichzeitig verwandte Fragen, Vergleiche und vielfältige Inhaltsquellen zu identifizieren. Wenn zum Beispiel jemand fragt: „Ich habe den Mt. Adams bestiegen und möchte nächsten Herbst den Mt. Fuji besteigen, wie sollte ich mich vorbereiten?“, erkennt MUM, dass diese Anfrage den Vergleich zweier Berge beinhaltet, Informationen zu Höhenunterschieden und Wanderwegen erfordert und Aspekte wie Fitnesstraining und Ausrüstungsauswahl umfasst.

MUM nutzt Sequence-to-Sequence-Matching-Technologie, die gesamte Anfragen als vollständige Sequenzen analysiert, anstatt einzelne Schlüsselwörter mit Datenbankeinträgen abzugleichen. Das System wandelt Suchanfragen in hochdimensionale Vektoren um, die semantische Bedeutung repräsentieren, und vergleicht diese Vektoren dann mit Inhalten im Google-Index. Dieses vektorbasierte semantische Verständnis ermöglicht es MUM, Ergebnisse auf Basis tatsächlicher Bedeutung statt einfacher Begriffskombinationen zu liefern. Zusätzlich verwendet MUM Wissensübertragung über Sprachgrenzen hinweg, sodass es aus Quellen in anderen Sprachen als der Suchsprache des Nutzers lernen und diese Informationen in der bevorzugten Sprache bereitstellen kann.

Multimodales Verständnis und dessen Auswirkungen

Eine der transformativsten Fähigkeiten von MUM ist das multimodale Verständnis, d. h., Informationen aus verschiedenen Formaten gleichzeitig zu verarbeiten und zu verstehen. Das unterscheidet sich grundlegend von früheren Suchtechnologien, die Texte, Bilder und Videos als getrennte Datenströme behandelten. Mit MUM könnte ein Nutzer theoretisch ein Foto seiner Wanderschuhe machen und fragen: „Kann ich diese benutzen, um den Mt. Fuji zu besteigen?“ – und das System versteht sowohl das Bild als auch die Frage zusammen und liefert eine integrierte Antwort, die visuelle Informationen mit Kontextwissen verknüpft.

Dieser multimodale Ansatz hat große Auswirkungen darauf, wie Inhalte in Suchergebnissen erscheinen. Anstatt lediglich eine einfache Liste blauer Links anzuzeigen, werden MUM-basierte Suchergebnisse zunehmend visueller und interaktiver. Nutzer sehen jetzt integrierte Karussells von Bildern, eingebettete Videos mit Zeitmarken, zoombare Produktfotos und kontextuelle Overlays, die Informationen liefern, ohne dass ein Klick erforderlich ist. Das Sucherlebnis selbst wird immersiver und explorativer, mit Funktionen wie „Wissenswertes“-Panels, die komplexe Anfragen in verständliche Unterthemen aufteilen, jeweils mit relevanten Snippets und visuellen Elementen.

Sprachbarrieren in der KI-Suche überwinden

Sprache war traditionell ein erhebliches Hindernis beim Zugang zu Informationen, doch MUM verändert diese Dynamik grundlegend. Die Fähigkeit des Modells, Wissen über Sprachgrenzen hinweg zu übertragen, bedeutet, dass hilfreiche Informationen, die auf Japanisch über den Mt. Fuji geschrieben wurden, nun auch Suchergebnisse für englischsprachige Anfragen zum selben Thema beeinflussen können. Dieser sprachübergreifende Wissenstransfer übersetzt Inhalte nicht einfach, sondern versteht Konzepte und Informationen in einer Sprache und wendet dieses Verständnis an, um Ergebnisse in einer anderen Sprache zu liefern.

Diese Fähigkeit hat weitreichende Auswirkungen auf den globalen Informationszugang. Wer beispielsweise nach Informationen über einen Besuch am Mt. Fuji sucht, kann nun Ergebnisse zu den besten Aussichtspunkten, lokalen Onsen (heißen Quellen) und beliebten Souvenirläden sehen – Informationen, die üblicherweise bei einer Suche auf Japanisch zu finden sind. Das System demokratisiert so den Zugang zu Informationen, die zuvor hinter Sprachbarrieren verborgen waren. Für Content-Ersteller und Marken bedeutet das, dass mehrsprachige Inhaltsstrategien immer wichtiger werden, da Ihre Inhalte in einer Sprache nun Suchergebnisse in anderen Sprachen beeinflussen können.

Suchreibung durch umfassende Ergebnisse reduzieren

Eines der Hauptziele von MUM ist es, die Anzahl der Suchanfragen zu reduzieren, die Nutzer für vollständige Antworten benötigen. Studien zeigten, dass Nutzer bei komplexen Aufgaben im Durchschnitt acht einzelne Anfragen stellen. Vor MUM musste jemand, der den Mt. Adams mit dem Mt. Fuji vergleichen wollte, nach Höhenunterschieden, Durchschnittstemperaturen, Schwierigkeitsgraden der Wanderwege, benötigter Ausrüstung, Trainingsempfehlungen und mehr suchen. Jede Suche erforderte das Durchklicken mehrerer Ergebnisse und das Zusammenführen von Informationen aus verschiedenen Quellen.

Mit MUM versucht das System, diese Folgefragen vorherzusehen und umfassende Informationen in einem einzigen Suchergebnis bereitzustellen. Die SERP wird zu einem vereinheitlichten Informationshub, der verschiedene Aspekte des zugrundeliegenden Nutzerbedarfs abdeckt. Diese Entwicklung hat auch große Auswirkungen darauf, wie Marken und Content-Ersteller Sichtbarkeit erreichen. Anstatt sich auf einzelne Keyword-Rankings zu konzentrieren, hängt der Erfolg zunehmend davon ab, Teil umfassender Themencluster zu sein, die die Nutzerabsicht aus unterschiedlichen Blickwinkeln adressieren. Inhalte, die tiefe, vielschichtige Informationen zu verschiedenen Aspekten eines Themas bieten, werden von MUM eher hervorgehoben.

Strukturierte Daten und Entity-Verständnis

Die Effektivität von MUM hängt maßgeblich von strukturierten Daten und Entity-Erkennung ab. Das System nutzt Schema-Markup und strukturierte Informationen, um Inhalte besser zu verstehen und Zusammenhänge herzustellen. Das bedeutet, dass die Implementierung von geeignetem Schema-Markup – wie FAQPage-, HowTo-, Article- und VideoObject-Schemas – für die Sichtbarkeit in MUM-basierten Suchergebnissen immer wichtiger wird.

Über die reine Schema-Implementierung hinaus konzentriert sich MUM auf Entity-Building und Themenautorität. Anstatt einzelne Schlüsselwörter zu betrachten, legen erfolgreiche Content-Strategien nun Wert darauf, zentrale Themen oder Entitäten zu etablieren, die für Ihre Branche relevant sind. Ein umfassender Ansatz für das Thema „CRM für kleine Unternehmen“ würde beispielsweise verwandte Entitäten wie Kundenbeziehungsmanagement, Vertriebsautomatisierung, Lead-Management, Kundensupport und Kundendatenmanagement etablieren. Dieser Entity-basierte Ansatz hilft MUM, den vollen Umfang Ihrer Expertise zu erfassen und Ihre Inhalte für ein breiteres Spektrum verwandter Suchanfragen hervorzuheben.

Auswirkungen auf die Sichtbarkeit in der KI-Suche

Der Aufstieg von MUM und ähnlichen multimodalen KI-Modellen hat erhebliche Auswirkungen darauf, wie Marken in KI-gestützten Suchergebnissen erscheinen. Traditionelle SEO-Metriken wie Klickraten und Einzelseiten-Rankings werden weniger relevant, wenn Nutzer umfassende Informationen direkt in den Suchergebnissen konsumieren, ohne auf Websites zu klicken. Das schafft sowohl Herausforderungen als auch Chancen für Content-Ersteller und Marken.

Die Herausforderung besteht darin, dass Nutzer Antworten auf ihre Fragen erhalten, ohne jemals Ihre Website zu besuchen. Die Chance liegt darin, durch prominente Platzierung in reichhaltigen, multimodalen Suchergebnissen – etwa durch Featured Snippets, Videokarussells, Bildergalerien und Knowledge Panels – Markenpräsenz und Autorität aufzubauen, auch ohne direkten Traffic. Dies erfordert ein grundlegendes Umdenken bei der Erfolgsmessung. Anstatt sich ausschließlich auf Traffic-Metriken zu konzentrieren, müssen Marken neue KPIs entwickeln, die die Sichtbarkeit in Suchergebnissen, Marken-Erwähnungen in KI-generierten Antworten und die Interaktion mit multimodalen Inhaltsformaten widerspiegeln.

Inhalte für die MUM-basierte Suche vorbereiten

Um für MUM und ähnliche KI-Modelle zu optimieren, müssen sich Content-Strategien in mehreren zentralen Bereichen weiterentwickeln. Erstens müssen Inhalte wirklich multimodal werden, indem hochwertige Bilder, Videos, Infografiken und interaktive Elemente neben Text eingebunden werden. Zweitens sollten Inhalte mit klaren semantischen Beziehungen strukturiert sein, wobei geeignete Überschriftenhierarchien, Schema-Markup und interne Verlinkungen thematische Zusammenhänge herstellen. Drittens sollten Content-Ersteller den Fokus auf umfassende Themenabdeckung statt auf einzelne Keyword-Optimierung legen und das gesamte Spektrum der Nutzerfragen und -bedürfnisse zu einem Thema ansprechen.

Darüber hinaus sollten Marken mehrsprachige Inhaltsstrategien in Betracht ziehen, die MUMs Fähigkeit zur Wissensübertragung zwischen Sprachen berücksichtigen. Das bedeutet nicht zwangsläufig, jeden Inhalt zu übersetzen, sondern vielmehr zu verstehen, wie Informationen in verschiedenen Sprachen sich ergänzen und globale Zielgruppen bedienen können. Schließlich sollten Inhalte mit Blick auf Nutzerabsicht und User Journey Mapping erstellt werden, um Fragen zu beantworten, die Nutzer in unterschiedlichen Phasen ihrer Entscheidungsfindung stellen – von der ersten Recherche bis zur finalen Kaufentscheidung.

Das Aufkommen von MUM und ähnlichen multimodalen KI-Modellen stellt einen grundlegenden Wandel darin dar, wie Suchmaschinen Informationen verstehen und bereitstellen. Durch die gleichzeitige Verarbeitung unterschiedlicher Formate und Sprachen können diese Systeme umfassendere, kontextuellere und hilfreichere Ergebnisse liefern. Für Marken und Content-Ersteller bedeutet Erfolg in dieser neuen Landschaft, über traditionelle Keyword-Optimierung hinauszugehen und multimodale, thematisch umfassende und semantisch reiche Content-Strategien zu entwickeln, die Nutzerabsichten über verschiedene Formate und Sprachen hinweg bedienen.