BERT-Update
Das BERT-Update ist Googles Einführung vom Oktober 2019, mit der BERT, ein bidirektionales Transformer-Sprachmodell, in das Such-Ranking und die Auswahl von Featured Snippets integriert wurde. Es war die größte algorithmische Änderung, die Google in fünf Jahren vorgenommen hatte, und das erste Mal, dass tiefe Transformer-Modelle die Echtzeitsuche in großem Maßstab berührten.
Das BERT-Update ist Googles Einführung vom Oktober 2019, mit der BERT, ein bidirektionales Transformer-Sprachmodell, in das Such-Ranking und die Auswahl von Featured Snippets integriert wurde. Es war die größte algorithmische Änderung, die Google in fünf Jahren vorgenommen hatte, und das erste Mal, dass tiefe Transformer-Modelle die Echtzeitsuche in großem Maßstab berührten.
Warum es wichtig ist
BERT war die Brücke zwischen keyword-abgleichender Suche und bedeutungsbasierter Suche. Vor BERT konnte Google "alleinstehende" Suchanfragen Wort für Wort verstehen, stolperte aber über Präpositionen, Verneinungen und Wortstellung. Nach BERT konnten Anfragen wie "2019 brazil traveler to usa need a visa" korrekt verstanden werden. Google erkannte, dass das "to" von Bedeutung war und die Anfrage von Brasilianern handelte, die in die USA reisen, und nicht von Amerikanern, die nach Brasilien reisen. Dies war der Beginn von Googles Transformer-Ära, die direkt zu MUM (2021), AI Overviews (2024) und AI Mode (2025) führte. BERT zu verstehen hilft zu erklären, warum "für den Leser schreiben, nicht für Keywords" zu einer echten SEO-Strategie wurde und nicht nur zu einem Slogan.
Was BERT tatsächlich tut
BERT, Bidirectional Encoder Representations from Transformers, ist ein Google-Research-Modell aus dem Jahr 2018. Der Teil "bidirektional" ist entscheidend: Anders als frühere Modelle, die Text von links nach rechts lasen, betrachtet BERT jedes Wort in einem Satz im Kontext jedes anderen Wortes, in beide Richtungen, gleichzeitig. Dadurch kann es Folgendes verstehen:
Wortstellung: "Can you get medicine for someone pharmacy" vs. "Can someone get medicine at a pharmacy for you", unterschiedliche Bedeutungen.
Präpositionen: "to", "from", "for", "with", kleine Wörter, die die Suchabsicht umkehren.
Verneinung: "do not" vs. "do", von Keyword-Modellen leicht übersehen.
Polysemie: "bank" (Fluss) vs. "bank" (Finanzen), entschieden durch die umgebenden Wörter.
Wo Google BERT einsetzte
Anfrageverständnis: Bestimmen, was der Nutzer tatsächlich meinte.
Auswahl von Featured Snippets: Die Passage auswählen, die die Frage wirklich beantwortet, nicht nur eine mit passenden Keywords.
Ranking-Anpassung: Betraf bei der Einführung etwa 10 % der englischsprachigen Suchanfragen, die größte Änderung seit RankBrain (2015).
Mehrsprachige Erweiterung: Innerhalb weniger Monate weitete Google BERT auf mehr als 70 Sprachen aus, darunter Koreanisch.
Was BERT nicht tat
Backlinks: BERT veränderte, wie Google Anfragen verstand, nicht, wie es Links bewertete.
Erkennung der Inhaltsqualität: Diese kam später mit den Helpful-Content-Updates.
Website-Autorität: Signale der Domain-Autorität waren nicht direkt betroffen.
Mobilfreundlichkeit, Core Web Vitals: Separate Signale.
Bei BERT ging es speziell um die Sprachverständnis-Ebene der Suche.
Wie BERT die SEO-Praxis veränderte
Keyword-Stuffing wurde noch wirkungsloser: "beste Blog-SEO-Plattform" 30-mal zu wiederholen, schadete eher, als zu helfen, bei einer Anfrage, die BERT als "Was ist die beste Plattform für Blog-SEO?" verstand.
Long-Tail-Konversationsanfragen wurden leichter anzusprechen: Seiten, die wie echte Antworten auf echte Fragen geschrieben waren, begannen besser zu ranken als keyword-optimierte Listen.
Fragebasierte Inhalte gewannen an Boden: Seiten, die rund um "was ist X" und "wie mache ich Y" strukturiert waren, profitierten, weil BERT Google besser darin machte, Fragen mit Passagenantworten abzugleichen.
Long-Tail-Traffic explodierte für Websites, die natürlich schrieben: Besonders in nicht-englischsprachigen Märkten, in denen Keyword-Tools schwach waren.
Hören Sie auf, den Algorithmus überlisten zu wollen: BERT war der Moment, in dem "für Menschen schreiben" von einem Klischee zu einer legitimen Strategie wurde, weil Google es endlich erkennen konnte.
BERT vs. spätere Modelle
| Modell | Jahr | Rolle | Sprachen |
|---|---|---|---|
| RankBrain | 2015 | Erstes ML in der Suche | Englisch |
| BERT | 2019 | Bidirektionaler Transformer für das Anfrageverständnis | Englisch, dann mehr als 70 |
| MUM | 2021 | Mehrsprachig + multitaskingfähig, 1000-fache BERT-Kapazität | mehr als 75 |
| Search Generative Experience / AI Overviews | 2024 | Generative Antwortsynthese | Wichtige Sprachen |
| AI Mode | 2025 | Vollständige chat-artige Suchoberfläche | In Erweiterung |
Jeder Schritt baut auf dem vorherigen auf. BERT bleibt das Fundament, neuere Modelle erweitern sein Anfrageverständnis, statt es zu ersetzen.
Häufige Fehler (damals und heute)
Speziell "für BERT optimieren" wollen: BERT ist kein Ranking-Faktor, für den man optimiert; es ist ein Anfrageverständnis-System, das natürliche Sprache ungeachtet dessen belohnt.
Annehmen, BERT habe Keywords vollständig getötet: Keywords zählen weiterhin als Signale; BERT bestraft lediglich mechanisches Stuffing.
2019er-BERT-Ratschläge im Jahr 2026 lesen: Das meiste wurde durch Helpful-Content-Vorgaben und die Realitäten der KI-Suche überholt.
BERT mit Helpful-Content verwechseln: Bei BERT ging es um das Verstehen von Anfragen; bei Helpful-Content ging es um die Bewertung der Seitenqualität. Unterschiedliche Ebenen.
Quellen: