Vektor-Salienz-Score

Vector-Salienz-Score ist die semantische Ähnlichkeit zwischen einem Query-Embedding und einem Dokument-Embedding, die üblicherweise mit der Cosine-Similarität in einem Vektorindex gemessen wird. In GEO ist das relevant, weil die Abfrageerfassung häufig vor der Generierung stattfindet. Wenn deine Seite nicht abgerufen wird, kann sie nicht zitiert werden.

Die hilfreiche Einordnung: Das ist kein Google-Rankingfaktor. Es ist ein Signal für die Abruf-Relevanz innerhalb von Embedding-basierten Systemen. Dazu gehören RAG-Pipelines, einige KI-Antwortebenen und interne Suchprodukte. Anderer Stack, andere Regeln.

Was der Score tatsächlich aussagt

Ein höherer Score bedeutet, dass deine Seite semantisch stärker mit einem Prompt- oder Fragen-Set übereinstimmt. Teams berechnen ihn meist, indem sie Ziel-Prompts und Seiteninhalte einbetten und anschließend die Vektoren in Pinecone, Weaviate, pgvector oder ähnlicher Infrastruktur vergleichen.

Das macht ihn operativ nutzbar. Du kannst Seiten benchmarken, Wettbewerber vergleichen und schwache Abdeckung erkennen, die Keyword-Tools übersehen. Ahrefs und Semrush helfen weiterhin bei der Demand-Discovery. Sie berechnen nur keine Embedding-Ähnlichkeit für dich.

Wie SEO-Teams ihn nutzen

Der sinnvolle Workflow ist simpel. Erstelle ein Prompt-Set aus Google-Search-Console-Anfragen, „People Also Ask“, Support-Tickets, Reddit-Threads und der On-site-Suche. Bette diese Prompts ein. Betten deine Seiten ein. Anschließend verfolgst du, welche URLs für Prompts mit hoher Suchintention die höchsten Scores erreichen.

• Nutze Screaming Frog, um Seitentitel, Überschriften und Body Copy für die Embedding-Vorbereitung zu exportieren.
• Nutze GSC, um echte Suchanfragesprache statt erfundener Prompt-Varianten zu ziehen.
• Nutze Ahrefs oder Semrush, um die Entitätsabdeckung rund um benachbarte Themen und Modifikatoren zu erweitern.
• Nutze Surfer SEO oder manuelle Content-Briefs, um fehlende Subtopic-Abdeckung zu schließen, und teste dann erneut.

In der Praxis beobachten Teams oft relative Veränderungen statt feste Schwellenwerte. Ein Sprung von 0,62 auf 0,74 gegenüber einem kommerziellen Prompt-Set ist hilfreich. Zu behaupten, dass 0,80 das Ziel für alle Modelle ist, ist Unsinn.

Was die Vector-Salienz verbessert

Klare Entitätsabdeckung. Präzise Einleitungen. Konsistente Terminologie. Starke Relevanz auf Passage-Ebene. Interne Verlinkungen helfen ein wenig, wenn sie den thematischen Kontext verstärken, beheben aber nicht magisch schwache Quelltexte.

Auch Chunking ist entscheidend. Eine Seite kann insgesamt breit relevant sein, aber dennoch für den Abruf verloren gehen, wenn die nützliche Passage bei einem schlechten Chunking-Setup erst 1.500 Wörter weiter unten steckt. Genau hier zerfallen viele GEO-Ansätze: Man macht die Content-Qualität verantwortlich, obwohl das eigentliche Problem in der Retrieval-Pipeline liegt.

Grenzen und Caveats

Der ehrliche Teil: Vector-Salience-Score ist nicht standardisiert. OpenAI, Anthropic, Google, Perplexity und eigene Enterprise-RAG-Systeme veröffentlichen keine eine gemeinsame Kennzahl. Dein Score hängt vom Embedding-Modell, der Chunk-Größe, der Normalisierungsmethode und dem Prompt-Set ab. Ändert man eines davon, verschiebt sich die Zahl.

John Mueller von Google hat 2025 bestätigt, dass SEO-Teams vorsichtig sein sollten, präzise KI-Visibility-Metriken zu erfinden, die von Google-Systemen nicht offengelegt werden. Er hat recht. Nutze das als internen Diagnosewert, nicht als universellen KPI.

Behandle Vector-Salienz daher wie Crawl-Tiefe oder DR: nützlich. Richtungsweisend. Leicht missbrauchbar, wenn Menschen so tun, als wäre es belastbare Wahrheit.