Was ist relevant?
Über ein Jahrzehnt Retrieval-Denken aus der Welt der Suchmaschinen. Heute nutze ich diese Erfahrung, um LLMs von Grund auf zu verstehen — und zu erkunden, woraus moderne KI-Systeme wirklich bestehen.
Der Weg
Pionierarbeit — immer wieder.
Drei Kapitel, ein Muster: Neugier auf Systeme, die noch niemand wirklich durchdrungen hat. Autodidaktisch, von Grund auf — jemand, der wirklich gerne testet, analysiert und herausfindet, wie Dinge funktionieren.
SEO-Analyst.
Angefangen mit Daten. Reports, Muster, endlose Tabellen. Der Typ Kopf, der gerne an Dingen herumstochert — und wissen will, warum das eine funktioniert und das andere nicht.
Technisches SEO.
Unter die Haube. Wie Suchmaschinen wirklich arbeiten — Crawling, Indexierung, Ranking. Damals gab es dafür kaum Playbooks. Alles autodidaktisch, von Grund auf. Pionierarbeit.
KI-Research.
Gleiche Denkweise, neues Feld. LLMs statt Googlebots — aber die Kernfrage ist dieselbe geblieben: Wie kommt Relevanz ins System? Heute lautet die Antwort RAG & Embeddings.
Zusammengearbeitet mit Dev-Teams der NewWork SE (XING SE) — einem Unternehmen, das Arbeit von Anfang an neu gedacht hat.
Methodik
Analysieren › Verstehen › Beraten
Kein Raten, kein Bauchgefühl. Erst die Daten, dann das Bild — dann die Empfehlung, die wirklich passt. In dieser Reihenfolge.
Coding in mehreren Sprachen.
Hands-on-Erfahrung mit den Sprachen, die zählen — im Web, im Backend und alles dazwischen. Von schnellen Scripts bis Production-Code.
Sparring mit Dev-Teams.
Erfahrung aus einem Umfeld, das Arbeit neu erfunden hat — agile Methoden, Produktdenken, cross-funktionale Teams im Takt.
„Verstehen, wie große Dev-Teams arbeiten — gelernt in einem Unternehmen, das New Work von Anfang an gelebt hat."
— NewWork SE (XING SE)RAG & Embeddings.
Ein LLM ist nur so gut wie der Kontext, den es bekommt. Ich baue Systeme, die entscheiden, welcher Content relevant ist und wann — statt alles ins Modell zu kippen und auf das Beste zu hoffen.
Das ist im Grunde dasselbe Problem, das Suchmaschinen seit 25 Jahren lösen. Relevance Scoring. Retrieval. Context-Engineering. Die Oberfläche hat sich geändert — die Prinzipien nicht.
RAG-Architekturen
Regelbasierte Retrieval-Systeme, die Kontext nicht dem Zufall überlassen — besonders wertvoll beim Coding, wo Datenmengen riesig sind und die Auswahl den Unterschied macht.
Embedding-Strategien
Wie wird Content vektorisiert, indexiert, gematcht? Welche Chunk-Größe, welche Metadaten, welcher Re-Ranker? Systematisches Testen, kein Bauchgefühl.
Model-Benchmarking
Verschiedene LLMs im direkten Vergleich, unter Realbedingungen. Welches Modell liefert die besten Ergebnisse für welche Aufgabe, mit welchem Kontext?
Context-Engineering
Prompt-Architekturen, Context-Window-Optimierung, Dynamic Routing. Die Regeln, die entscheiden, was das Modell zu sehen bekommt — und wann.
Das Fundament
Technische Expertise, analytisches Denken.
Die Basis, auf der alles andere aufbaut. Über acht Jahre an der Schnittstelle von Suchtechnologie und datengetriebenem Performance-Marketing — bis heute fester Teil des Tagesgeschäfts.
Technisches SEO
Tiefe technische Audits, Crawl-Optimierung, Core Web Vitals, Structured Data — finden, was andere übersehen.
Paid Ads & Analytics
Datengetriebenes Google-Ads-Management, Conversion-Tracking-Architekturen und tiefes Analytics-Handwerk — aus Budget messbare Performance machen.
Kontakt
Ein Projekt im Kopf?
Ob KI-Beratung, SEO/GEO oder Paid-Ads — schreib mir gerne.