- →BERT ist kein Update, das über eine Domain hinwegrollt, sondern eine dauerhafte Verstehensschicht: es gibt keinen Zustand «von BERT getroffen», nur Seiten, deren Sprache zu unpräzise ist, um einer Intention zugeordnet zu werden.
- →Der bidirektionale Kontext ist der ganze Trick: Präpositionen, Negationen und Reihenfolge tragen seit 2019 Bedeutung, was Keyword-Wiederholung ohne Informationsgewinn nicht nur nutzlos, sondern als Muster erkennbar macht.
- →BERT bewertet keine Links, aber es liest den Satz, in dem der Link steht. Ein exakter Ankertext in einem Absatz, der thematisch nichts trägt, verliert an Wirkung, lange bevor ein Spam-System eingreift.
- →Für deutsche Projekte lohnt der Blick auf sprachspezifische Modelle wie GBERT oder GottBERT: mehrsprachige Varianten zerlegen Komposita schlechter, was bei eigener Klassifikation von Anfragen oder Linkzielen messbar Qualität kostet.
- →Die Update-Serie von August 2025 bis Mai 2026 hat nicht die Sprachverarbeitung verschärft, sondern die Toleranz gegenüber skalierter Dünnware: eine Analyse zählte nach den kombinierten Core- und Spam-Änderungen rund 25 % der Top-10-URLs mit Positionsverlust (Redefine Marketing Group, 2026).
Was BERT im Ranking-Stack tatsächlich macht
BERT sitzt nicht am Ende der Rankingkette, sondern am Anfang: bevor irgendein Autoritätssignal zum Tragen kommt, muss Google entschieden haben, worum es in der Anfrage und in der Passage überhaupt geht. Genau diese Zuordnung übernimmt eine neuronale Verstehensschicht, von der BERT der bekannteste benannte Teil ist. Branchenübersichten der aktiven Ranking-Systeme, zuletzt im Dezember 2025 aktualisiert, führen BERT weiterhin neben RankBrain, Neural Matching, Passage Ranking, der klassischen Linkanalyse und der Spam-Erkennung als eigenständiges System (digitalapplied.com, 2026).
Der Ursprung ist gut dokumentiert und lohnt die Erinnerung, weil er die Größenordnung erklärt. Google kündigte den Einsatz in der Suche am 25. Oktober 2019 an und bezifferte die Wirkung damals auf etwa eine von zehn englischsprachigen Anfragen in den USA. Im Dezember 2019 folgte der Rollout auf über 70 Sprachen, Deutsch eingeschlossen. Was 2019 eine Meldung war, ist heute Infrastruktur: kein Ranking-Faktor mit Gewicht, sondern die Voraussetzung dafür, dass Gewichte überhaupt verteilt werden.
Wer die Architektur einmal visuell nachvollziehen will, findet hier eine kompakte Erklärung des Modells:
Die operative Pointe daraus: jedes breite Kernupdate der letzten Jahre setzt BERT-Niveau beim Anfrageverständnis bereits voraus. Die Updates verschieben, was als hilfreich gilt, nicht, wie gut Sprache gelesen wird. Wer nach einem Rankingverlust nach dem «BERT-Problem» sucht, sucht nach einer Ursache, die es in dieser Form nicht gibt. Ein Praxisleitfaden von 2026 schätzt, dass neuronales Matching rund 30 % aller Anfragen beeinflusst, indem Wörter mit Konzepten jenseits der exakten Übereinstimmung verknüpft werden (Upward Engine, 2026). Als Schätzung eines Dienstleisters ist die Zahl mit Vorsicht zu lesen, die Richtung stimmt trotzdem.
Die Mechanik hinter dem Namen
Das Akronym steht für Bidirectional Encoder Representations from Transformers, vorgestellt im Oktober 2018 von Devlin und Kollegen bei Google AI. Jeder Bestandteil des Namens beschreibt eine konkrete Designentscheidung, und die interessanteste ist das erste Wort. Vorherige Sprachmodelle lasen einen Satz von links nach rechts, sagten also immer das nächste Wort voraus. BERT sieht beide Richtungen gleichzeitig, weshalb ein Wort seine Repräsentation aus dem gesamten Satz bezieht, nicht nur aus dem, was davor stand.
Möglich macht das ein Trainingsziel, das man nicht autoregressiv lösen kann: Masked Language Modeling. Rund 15 % der Token eines Trainingssatzes werden verdeckt, das Modell rekonstruiert sie aus dem umgebenden Kontext. Ergänzt wurde das im Original durch Next Sentence Prediction, die Frage, ob Satz B tatsächlich auf Satz A folgt. Dieses zweite Ziel gilt inzwischen als schwach: RoBERTa (Facebook AI, 2019) hat es gestrichen, länger trainiert und damit bessere Werte erreicht, ein Befund, den spätere Varianten weitgehend übernommen haben.
Die Architekturfamilie besteht im Kern aus zwei Größen, BERT-Base mit etwa 110 Millionen Parametern und BERT-Large mit etwa 340 Millionen. Nach heutigen Maßstäben sind das kleine Modelle, und genau darin liegt ihr fortbestehender Nutzen: sie laufen auf bescheidener Hardware, lassen sich in Stunden statt Wochen auf eine konkrete Aufgabe feinjustieren und liefern für Klassifikation, Entitätenerkennung oder Frage-Antwort-Zuordnung Ergebnisse, für die niemand ein Milliardenparametermodell braucht.
Der Unterschied zu GPT-artigen Modellen ist strukturell, nicht graduell. BERT ist ein reiner Encoder, gebaut zum Verstehen und Einordnen. Die GPT-Familie ist ein Decoder, gebaut zum Fortschreiben. Für die Suche ist die Encoder-Seite die relevante: Google muss keine Sätze erfinden, sondern eine Anfrage und eine Passage in denselben Bedeutungsraum bringen. Das ist der Grund, warum ein Modellprinzip von 2018 im Jahr 2026 noch immer in der Systemliste steht.
BERT und die Bewertung von Links
Hier wird es für Netlinker konkret, und hier wird auch am meisten Unsinn erzählt. BERT bewertet keine Links. Die Verteilung von Linkkraft bleibt Sache der Linkanalyse, die weiterhin als eigenes System geführt wird. Was sich verschoben hat, ist die Frage, ob der Kontext um den Link herum die thematische Zuordnung stützt, die der Link behauptet.
Ein Ankertext ist eine sehr kurze Zeichenkette, oft zwei bis vier Wörter. Isoliert ist er mehrdeutig. Erst der Satz, in dem er steht, und der Absatz, der ihn umgibt, machen daraus eine überprüfbare Aussage über das Ziel. Genau diese Disambiguierung ist die Kernkompetenz eines bidirektionalen Encoders. Praktisch heißt das: ein exakt passender Ankertext, eingebaut in einen Absatz, der thematisch nichts trägt, ist kein starkes Signal, sondern ein auffälliges. Ein beschreibender Anker in einem Absatz, der die Fachfrage tatsächlich behandelt, trägt weiter, obwohl er auf keiner Keyword-Liste steht.
Für die Auswahl von Platzierungen folgt daraus eine harte Konsequenz. Die üblichen Filter über Domainmetriken sagen nichts darüber, ob der aufnehmende Text das Thema wirklich verhandelt. Wer eine Platzierung nur nach Autoritätswert kauft und den Beitrag von einem Textlieferanten schreiben lässt, der das Feld nicht kennt, bekommt einen Link in einer Passage, die semantisch nicht deckt. Deshalb prüfen wir bei den 50 französischen Redaktionsmedien, die wir im Eigenbetrieb führen, die thematische Passung am Artikel und nicht an der Domain, und deshalb ist der öffentlich einsehbare Medienkatalog ohne Registrierung nach Rubriken sortiert statt nach Kennzahlen. Ein Link ist so viel wert wie der Absatz, in dem er lebt.
Zweite Konsequenz: Ankertextverteilung als Zahlenspiel hat an Bedeutung verloren. Wer eine Quote von so und so viel Prozent Money-Anker anstrebt, optimiert eine Kennzahl aus der Zeit vor 2019. Die relevantere Frage lautet, ob jeder einzelne Anker im Satz natürlich klingt, wenn man ihn laut liest. Aus eigener Audit-Erfahrung ist das der zuverlässigste Test, den es kostenlos gibt.
Deutsche Texte, deutsche Modelle
Deutsch stellt eine Tokenisierung vor Probleme, die im Englischen kaum auftreten. Komposita wie Suchmaschinenoptimierung oder Rechtsschutzversicherungsvergleich werden von WordPiece in Fragmente zerlegt, die für sich genommen wenig Bedeutung tragen. Ein mehrsprachiges Modell, dessen Vokabular über hundert Sprachen abdecken muss, zerlegt aggressiver als ein Modell, das sein gesamtes Vokabularbudget für eine Sprache ausgeben darf. Das ist kein akademisches Detail: es schlägt direkt auf die Qualität jeder Klassifikation durch, die man auf deutschen Texten betreibt.
Deshalb existiert eine deutschsprachige Modellfamilie. Das von der Bayerischen Staatsbibliothek veröffentlichte bert-base-german-cased, die GBERT- und GELECTRA-Modelle von deepset und GottBERT, eine RoBERTa-Variante, die ausschließlich auf deutschen Daten trainiert wurde, sind alle offen verfügbar. Für ein SEO-Team ist das relevant, sobald man aufhört, nur zu lesen, und anfängt, selbst zu klassifizieren: Anfragen nach Intention sortieren, Linkziele thematisch bündeln, redaktionelle Themenpläne gegen ein bestehendes Archiv prüfen.
Die Kostenrechnung fällt dabei oft anders aus, als Teams erwarten. Ein feinjustiertes Encoder-Modell dieser Größe verarbeitet Zehntausende Textstücke auf einer einzelnen GPU-Stunde und lässt sich anschließend lokal betreiben. Ein API-Aufruf an ein großes Generativmodell pro Textstück ist bequemer und bei Volumen die teurere Dauerlösung. Wer regelmäßig größere Mengen deutscher Texte sortiert, sollte diese Rechnung einmal aufmachen, statt sie zu vermuten. Für die reine Contentproduktion gilt das Gegenteil: dort ist der Encoder das falsche Werkzeug, er schreibt nicht.
Was in Audits regelmäßig schiefgeht
Der häufigste Fehler ist die Kausalitätsverwechslung. Ein Sichtbarkeitsverlust fällt zeitlich mit einem Update zusammen, im Audit steht dann «BERT-Anpassung nötig», und darunter folgt eine Liste mit Keyword-Empfehlungen. Beides passt nicht zusammen. Die Update-Serie der letzten anderthalb Jahre hat nicht das Sprachverständnis verschärft, sondern die Toleranz gegenüber skalierter Dünnware. Das Spam-Update vom August 2025 lief vom 26. August bis zum 21. September 2025, also 26 Tage, und zielte auf Site Reputation Abuse sowie massenhaft erzeugte Inhalte (Found, 2026). Das Kernupdate vom März 2026 rollte vom 27. März bis zum 8. April 2026 aus und richtete sich ausdrücklich gegen synthetische Texte ohne Fachbeitrag (itlover.tech, 2026).
Die Größenordnung dieser Bewegung ist erheblich. Eine Auswertung beziffert den Anteil der Top-10-Seiten, die nach den kombinierten Core- und Spam-Änderungen von Ende 2025 bis Anfang 2026 Positionen verloren, auf rund 25 %, gegenüber etwa 14 % nach dem Dezember-Update von 2025 allein (Redefine Marketing Group, 2026). Wer solche Verschiebungen mit besserer Wortwahl beantworten will, behandelt das falsche Problem.
Zweiter Klassiker: das System für hilfreiche Inhalte weiterhin als separaten Filter zu behandeln. Es wurde im März 2024 in das Kernranking überführt und ist seither kein eigenständiger Klassifikator mehr, sondern ein Bündel von Signalen, das in jedem Kernupdate mitgewertet wird. Ein Audit, das eine «Helpful Content Penalty» diagnostiziert, arbeitet mit einem Modell, das es seit über zwei Jahren nicht mehr gibt.
Dritter Punkt, unbequem für Content-Fabriken: eine regionale Analyse berichtet, dass Seiten mit mehr als 20 KI-erzeugten Beiträgen pro Woche ohne substanziellen Fachbeitrag ab August 2025 an Sichtbarkeit verloren (onecity.co.in, 2026). Die Zahl stammt aus einer Einzelauswertung und taugt nicht als Schwellenwert, das Muster deckt sich aber mit dem, was wir bei Bestandsaufnahmen sehen. Nicht die Erzeugungsmethode ist das Problem, sondern die fehlende Eigenleistung bei hoher Frequenz.
Operative Konsequenzen für 2026
Aus alldem folgt kein Maßnahmenkatalog, sondern eine Verschiebung der Prioritäten. Wenn Sprache zuverlässig gelesen wird, ist die Frage nicht mehr, ob ein Begriff oft genug vorkommt, sondern ob eine Seite eine Frage abschließend beantwortet. Eine Schätzung aus einem Leitfaden von 2026 setzt den Einfluss konstant zufriedenstellender Inhalte für das erste Quartal 2025 auf etwa 23 % an, Engagement-Signale wie Verweildauer auf etwa 12 %, und beschreibt das ausdrücklich als Verschiebung weg von einer link-lastigeren Gewichtung (Upward Engine, 2026). Solche Prozentwerte sind Rekonstruktionen von außen, keine Google-Angaben, und sollten entsprechend als Richtung gelesen werden.
Für die Themenwahl liefert eine Analyse zur Kaufintention von 2026 brauchbare Verhältniszahlen: informationsgetriebene Anfragen machen 55 bis 60 % aus, navigationsgetriebene 10 bis 15 %, kommerzielle Recherche 15 bis 20 % und transaktionale Anfragen 10 bis 15 %, wobei kommerzielle und transaktionale Begriffe drei- bis viermal besser konvertieren als informationsgetriebene (WSI, 2026). Der praktische Schluss ist unspektakulär: der Großteil des Suchvolumens liegt dort, wo am wenigsten verdient wird, und die Verteilung des Linkbudgets sollte dieser Asymmetrie folgen, nicht dem Volumen. Wer die Kosten einer Platzierung gegen ihren Beitrag rechnen will, braucht dafür zuerst nachvollziehbare Preise ohne versteckte Provision, sonst rechnet man gegen eine Unbekannte.
Bleibt die Frage, was sich am Schreibtisch ändert. Kurzfristig wenig, langfristig alles: Redaktionsbriefings, die Begriffslisten und Mindestfrequenzen vorgeben, produzieren Texte, die genau das Muster tragen, das die Systeme seit 2019 als Optimierungsspur erkennen. Briefings, die eine Frage, eine Zielgruppe und einen belegbaren Eigenanteil vorgeben, produzieren Texte, die eine Passage füllen, auf die Google zeigen kann. Der Unterschied kostet in der Produktion mehr und in der Nacharbeit deutlich weniger.
Nautilinks betreibt ein eigenes Netzwerk redaktioneller Medien. In-House verfasste Artikel, Transparenzhinweise beachtet, Ankertext-Mix kalibriert.
Häufige Fragen
Wofür steht das Akronym, und warum ist ausgerechnet der bidirektionale Teil entscheidend?
BERT steht für Bidirectional Encoder Representations from Transformers. Der bidirektionale Teil ist der eigentliche Bruch mit früheren Modellen: statt einen Satz nur von links nach rechts zu lesen, bezieht jedes Wort seine Repräsentation aus dem gesamten Kontext, also auch aus dem, was danach kommt. Erst dadurch tragen Präpositionen, Negationen und Wortstellung Bedeutung. Genau das entwertet Formulierungen, die auf Wiederholung statt auf Präzision gebaut sind.
Ist BERT ein Transformer, und worin genau unterscheidet es sich von GPT-Modellen?
Ja, BERT ist eine Transformer-Architektur, aber nur die Encoder-Hälfte davon. GPT-Modelle nutzen die Decoder-Hälfte und sind autoregressiv, sie schreiben Text fort. BERT erzeugt keinen Text, es ordnet vorhandenen ein. Für eine Suchmaschine ist das die passendere Bauform: die Aufgabe besteht darin, Anfrage und Passage in denselben Bedeutungsraum zu bringen, nicht darin, Sätze zu erfinden. Deshalb sind beide Familien Ergänzungen, keine Konkurrenten.
Wann kam BERT in die Suche, und hat das Datum heute noch praktische Bedeutung?
Google kündigte den Einsatz am 25. Oktober 2019 an, zunächst für etwa eine von zehn englischsprachigen Anfragen in den USA, im Dezember 2019 folgten über 70 Sprachen einschließlich Deutsch. Praktisch relevant ist das Datum als Trennlinie: alles, was an Optimierungsroutinen vor 2019 entstanden ist und auf Wortfrequenz basiert, wurde ab diesem Punkt schrittweise wirkungslos. Als Diagnosedatum für aktuelle Rankingprobleme taugt es nicht.
Kann man Inhalte gezielt für BERT optimieren?
Nein, und Angebote, die das versprechen, verkaufen eine Leistung ohne Gegenstand. Es gibt keinen Schwellenwert, keinen Score und keinen Zustand «von BERT abgestraft». Was man beeinflussen kann, ist die Eindeutigkeit der eigenen Formulierung: klare Fragestellung pro Abschnitt, keine Umschreibung dort, wo ein Fachbegriff präziser wäre, keine künstliche Wiederholung. Das ist gute redaktionelle Arbeit, sie trägt zufällig auch den Namen des Modells.
Verändert das Sprachverständnis die Rolle des Ankertextes?
Es verändert die Gewichtung. Der Anker bleibt ein Signal, aber seine Bedeutung wird aus dem umgebenden Satz abgeleitet statt aus der Zeichenkette allein. Ein exakter Anker in einem thematisch unpassenden Absatz trägt kaum noch, fällt dafür als Muster auf. Ein beschreibender Anker in einem Absatz, der die Sache tatsächlich behandelt, trägt weiter. Quotenmodelle für Ankerverteilung sind damit ein Steuerungsinstrument aus der Zeit davor.
Braucht ein deutsches Projekt ein eigenes deutschsprachiges Modell?
Sobald man selbst klassifiziert, ja. Mehrsprachige Modelle zerlegen deutsche Komposita ungünstiger, weil ihr Vokabularbudget über viele Sprachen verteilt ist. Offene Alternativen wie GBERT von deepset, bert-base-german-cased oder GottBERT sind auf deutschen Daten trainiert und schneiden bei Aufgaben wie Intentionszuordnung oder Entitätenerkennung entsprechend besser ab. Für reines Lesen der SERP braucht man gar kein eigenes Modell, für eigene Datenpipelines lohnt der Vergleich.
Prüfen Sie Ihr Wissen
Quiz: BERT
1/3Welches Trainingsziel unterscheidet BERT grundlegend von autoregressiven Modellen wie GPT?