SEO

BERT & MUM (Google NLP-Modelle)

Auch bekannt als: BERT, MUM, Google BERT, Google MUM, Natural Language Processing

BERT (Bidirectional Encoder Representations from Transformers, 2018 von Google publiziert, 2019 in der Suche live) und MUM (Multitask Unified Model, 2021 angekündigt) sind Googles eigene Sprachmodell-Familien, die das Sprachverständnis in der Suchmaschine dramatisch verbessert haben. BERT versteht den Kontext eines Wortes innerhalb eines Satzes besser als die alten Keyword-Matching-Algorithmen. MUM kombiniert das mit Multi-Modal-Verständnis (Text + Bilder + Video) und mehrsprachiger Übertragbarkeit. Beide sind die Basis dafür, dass Google heute Suchintention deutlich besser interpretiert — Long-Tail-Anfragen, indirekte Formulierungen, mehrdeutige Phrasen.

Was BERT-Verständnis konkret bedeutet

Beispiel-Anfrage: „2019 brazil traveler to USA need a visa". Vor BERT (Stand: bis 2019) verstand Google das Wort „to" nicht im richtigen Kontext und zeigte oft Ergebnisse zu „US-Bürger reist nach Brasilien". Nach BERT versteht das System: Der Reisende ist Brasilianer, das Ziel ist die USA — und liefert relevante Visa-Informationen. Effekt für SEO: Wortwörtliches Keyword-Stuffing wirkt weniger, semantische Themen-Vollständigkeit mehr.

MUM als Erweiterung

MUM geht über BERT hinaus: Es kombiniert Verständnis aus Text, Bild und Video, und es kann Wissen zwischen Sprachen übertragen. Beispiel: Eine Suchanfrage in Englisch zu „beste Wanderschuhe für Patagonien-Trekking" kann von MUM mit Informationen aus spanischen Quellen über Patagonien beantwortet werden — automatisch übersetzt. Effekt für SEO: Englische Content-Sichtbarkeit profitiert von qualitativ hochwertigem nicht-englischem Content im selben Themenfeld.

Was BERT/MUM für die Optimierung bedeuten

Natürliche Sprache statt Keyword-Stuffing — Google versteht den Kontext.
Suchintention-Match ist wichtiger denn je — exakte Keyword-Übereinstimmung hilft nichts, wenn die Intention nicht passt.
Vollständige Beantwortung der Suchfrage statt SEO-Tricks.
Long-Tail-Cluster profitieren überproportional — Google verbindet Long Tails mit semantisch verwandten Hauptthemen.
Mehrsprachiger Content wird wertvoller — gute Originalsprache + sauberes hreflang-Markup.

Praxisbeispiel

Beispiel: Eine Marketing-Webseite hatte 2019 noch viele Keyword-gestopfte Texte („Online Marketing günstig Online Marketing Berlin günstig Marketing Online Berlin"). Nach BERT-Roll-out: Sichtbarkeit verlor sich systematisch, weil natürlich geschriebene Konkurrenz-Texte besser verstanden wurden. Umstellung über 8 Monate auf natürliche Sprache, klare H2-Strukturen, semantische Themen-Vollständigkeit: Sichtbarkeit nicht nur erholt, sondern um 60 % über Vor-BERT-Niveau gewachsen. Klassischer Sprach-Modell-Adaptions-Erfolg.

Wird in Rankmio genutzt fuer

Semantik-Audit im SEO-Check

Zur Funktion →

Letzte Aktualisierung: 2026-06-17 · Alle Glossar-Eintraege ansehen