Named Entity Recognition: So wirst du KI-sichtbar

Named Entity Recognition (NER) ist das maschinelle Verfahren, mit dem KI-Systeme und Suchmaschinen Personen, Organisationen, Orte und Produkte in Texten identifizieren und klassifizieren. Wer Inhalte so schreibt, dass NER-Systeme Entitäten sauber erkennen, erhöht die Sichtbarkeit in Google, in AI Overviews und in generativen Suchsystemen wie ChatGPT oder Perplexity. Wer als Entität nicht erkannt wird, existiert für diese Systeme schlicht nicht. Der folgende Artikel erklärt das Grundprinzip von Named Entity Recognition, zeigt die Verbindung zu SEO und Knowledge Graphs und liefert eine Schritt-für-Schritt-Anleitung für entitätenoptimiertes Schreiben.

Warum Entitätenerkennung über Sichtbarkeit entscheidet

Suchmaschinen und Large Language Models arbeiten nicht mehr keyword-basiert, sondern entitätsbasiert. Named Entity Recognition ist die Brücke zwischen unstrukturiertem Text und maschinenlesbarem Wissen – und damit die Voraussetzung dafür, dass ein Inhalt überhaupt in den Verarbeitungsprozess generativer Systeme gelangt.

Googles Knowledge Graph enthält Milliarden von Entitäten. Jede Suchanfrage wird gegen dieses Wissensnetz abgeglichen. AI Mode, Perplexity und ChatGPT nutzen NER für Query-Expansion, Retrieval und Synthese: Sie zerlegen eine Frage in Entitäten, suchen passende Passagen und generieren daraus eine Antwort. Wer in keiner dieser Passagen als klar identifizierte Entität vorkommt, wird nicht zitiert.

Ob eine KI eine Entität sauber erkennt und korrekt einordnet, hängt am Ende auch daran, wie präzise die Anweisung an die Maschine formuliert ist. Crispy Content® produziert seit 2010 täglich Content auf Basis detaillierter Briefings und überträgt diese Erfahrung nun auf die KI-gestützte Produktion. Wie aus einem guten Briefing eine belastbare Maschinenanweisung wird, ist beim Thema Prompt Engineering für die KI-gestützte Content-Produktion nachzulesen – denn ein vages Prompt liefert vage Ergebnisse, genau wie ein Text ohne kanonische Namen.

Für B2B-Marketing bedeutet das: Die eigene Marke, die eigenen Produkte und die handelnden Personen müssen als Entitäten im Text so eindeutig benannt sein, dass ein NER-System sie korrekt klassifiziert und ein Knowledge Graph sie verknüpfen kann. Methoden geben Garantien – und die Methode heißt hier: entitätensauber schreiben.

Was ist Named Entity Recognition? Definition und Abgrenzung

Named Entity Recognition ist ein Teilbereich des Natural Language Processing (NLP), der benannte Entitäten in unstrukturiertem Text erkennt und vordefinierten Kategorien zuordnet. Eine benannte Entität ist ein sprachlicher Ausdruck, der auf ein reales Objekt mit eindeutiger Identität verweist – eine Person (PER), eine Organisation (ORG), einen Ort (LOC), ein Produkt oder ein Datum. NER ist damit die erste Stufe der maschinellen Wissensextraktion: Ohne sie bleibt Text für Maschinen eine undifferenzierte Zeichenkette.

Entität vs. Keyword – der entscheidende Unterschied

Eine Entität ist ein reales Objekt mit eindeutiger Identität und Beziehungen zu anderen Objekten. Ein Keyword ist ein Suchbegriff ohne inhärente Bedeutung. Das Wort „Apple" als Keyword hat keinen Typ – es könnte ein Unternehmen, eine Frucht oder ein Plattenlabel meinen. Erst die Klassifikation als Apple Inc. (ORG) durch ein NER-System macht daraus eine maschinenlesbare Entität mit Wikidata-ID (Q312), Branchenzugehörigkeit und Beziehungsnetz.

Entity Linking und Knowledge Graph – die zweite Stufe nach NER

NER erkennt, dass „Siemens" eine Organisation ist. Entity Linking klärt, welche Organisation gemeint ist, und ordnet ihr eine kanonische ID zu – etwa die Wikidata-ID Q81230 für die Siemens AG oder Q708739 für Siemens Healthineers. Dieser Schritt löst Mehrdeutigkeiten auf, fusioniert Synonyme und verbindet den Inhalt mit dem globalen Wissensnetz. Ohne Entity Linking bleibt NER eine Klassifikation ohne Adresse.

Welche Entitätstypen erkennen NER-Systeme?

Standardsysteme arbeiten mit vier Kernkategorien (PER, ORG, LOC, MISC). Moderne Systeme erweitern das Spektrum auf Dutzende Typen. Für B2B-Content sind fünf Typen besonders relevant:

Wie NER technisch funktioniert – das Grundprinzip

Ein NER-System analysiert eine Tokensequenz und weist jedem Token ein Label zu. Das verbreitete BIO-Schema unterscheidet drei Zustände: B (Begin) markiert den Anfang einer Entität, I (Inside) die Fortsetzung, O (Outside) alles, was keine Entität ist. Aus dem Satz „Die Siemens AG investiert in München" wird: „Die [O] Siemens [B-ORG] AG [I-ORG] investiert [O] in [O] München [B-LOC]".

Die Analogie: NER arbeitet wie ein Lektor, der in einem Manuskript alle Eigennamen farbig markiert und nach Typ sortiert – nur automatisiert und in Millisekunden über Millionen von Dokumenten.

Moderne NER nutzt Transformer-Modelle wie BERT oder GPT, die kontextuelle Wortbedeutungen erfassen. Ein regelbasiertes System scheitert an „Amazon" ohne Kontext. Ein Transformer-Modell erkennt aus dem umgebenden Satz, ob der E-Commerce-Konzern oder der Fluss gemeint ist, weil es auf Milliarden von Textbeispielen trainiert wurde.

NER und SEO – wie Suchmaschinen Entitäten für Rankings nutzen

Google setzt Named Entity Recognition ein, um Inhalte semantisch einzuordnen, den Knowledge Graph zu befüllen und Suchanfragen entitätsbasiert zu beantworten. Das verändert die Anforderungen an Content: Nicht die Keyword-Dichte entscheidet über Sichtbarkeit, sondern die Frage, ob ein NER-System die relevanten Entitäten eines Textes korrekt identifizieren und verknüpfen kann.

Googles Verarbeitungskette – von NER über Entity Linking zum Knowledge Graph

Die Kette ist dreistufig: NER identifiziert Entitäten im gecrawlten Dokument. Entity Linking verknüpft diese Entitäten mit Knowledge-Graph-Einträgen. Das Ranking berücksichtigt die Entitätsrelevanz – ein Dokument, das zur angefragten Entität passt und mit verifizierten Fakten verknüpft ist, rankt höher. Google speist den Knowledge Graph aus Wikipedia, Wikidata, Schema.org-Markup und proprietären Signalen.

Wie AI Overviews und generative Suche NER einsetzen

Generative Suchsysteme arbeiten mit Query Fan-out: Ein LLM expandiert eine Suchanfrage in Dutzende Sub-Queries, die entitätsbasiert formuliert sind. Aus „Beste CRM-Software für Mittelstand" werden Anfragen wie „HubSpot CRM Funktionen Mittelstand", „Salesforce Pricing KMU", „Pipedrive Integration ERP". Inhalte werden auf Absatzebene abgerufen – jeder Absatz muss eigenständig entitätsreich sein, weil er isoliert als Quelle zitiert werden kann. LLMs bevorzugen Passagen, die eindeutig identifizierbare Entitäten mit verifizierbaren Fakten enthalten.

Rechenbeispiel – Entitätsdichte und Sichtbarkeit

Seite A nennt in 1.000 Wörtern 12 klar identifizierbare Entitäten mit kanonischem Namen, Typ-Kontext und mindestens einer verifizierbaren Aussage pro Entität. Seite B behandelt dasselbe Thema, verwendet aber generische Bezeichnungen („das Unternehmen", „die Software", „ein Experte") und kommt auf 3 maschinell erkennbare Entitäten. Bei einer NER-Analyse mit der Google Cloud Natural Language API liefert Seite A 12 Entity-Mentions mit Salience-Scores über 0,02 – Seite B liefert 3. Für ein generatives System, das Passagen nach Entitätsrelevanz rankt, ist Seite A vierfach sichtbarer.

Inhalte schreiben, die NER-Systeme sauber verarbeiten – Schritt für Schritt

Entitätenoptimiertes Schreiben folgt klaren Regeln: kanonische Namen verwenden, Kontext liefern, Mehrdeutigkeiten auflösen und strukturierte Daten ergänzen. Das ist kein Hexenwerk, sondern Handwerk – vergleichbar mit dem Unterschied zwischen einem sauber beschrifteten Werkzeugkasten und einer Schublade voller unbeschrifteter Teile.

Schritt 1 – Ziel-Entitäten vor dem Schreiben definieren

Vor dem ersten Satz steht ein Entitäten-Briefing: Welche Personen, Organisationen, Produkte und Orte soll der Text maschinenlesbar transportieren? Pro Artikel 5–10 Ziel-Entitäten mit kanonischem Namen und – wo vorhanden – Wikidata-ID festlegen. Die Google Knowledge Graph Search API liefert in Sekunden, ob eine Entität bereits im Knowledge Graph existiert. Existiert sie nicht, muss der Text selbst die Disambiguierung leisten.

Schritt 2 – Kanonische Namen und Aliase im Text platzieren

Beim ersten Auftreten den vollständigen kanonischen Namen verwenden, danach konsistente Kurzformen. Beispiel: „Das Bundesamt für Sicherheit in der Informationstechnik (BSI) veröffentlichte im Oktober 2025 den Lagebericht." Ab hier: „BSI". Nicht: „das Amt", „die Behörde", „die Bonner Institution". Jede Variante ohne Rückbezug erzeugt für ein NER-System eine potenzielle neue Entität statt einer Referenz auf die bestehende.

Schritt 3 – Kontext und Disambiguierung im ersten Absatz

Im ersten Absatz klären, welche Entität gemeint ist. Drei Attribute reichen: Typ (Organisation, Person, Produkt), Zugehörigkeit (Branche, Mutterkonzern) und Standort oder Zeitbezug. „Amazon Web Services (AWS), die Cloud-Computing-Sparte von Amazon Inc. mit Hauptsitz in Seattle" – damit ist für jedes NER-System eindeutig, dass weder der Fluss noch der Marketplace gemeint ist.

Schritt 4 – Strukturierte Daten und Schema.org-Markup ergänzen

JSON-LD mit @type, @id und sameAs implementieren. Das sameAs-Attribut verlinkt auf Wikidata, Wikipedia oder die offizielle Website und gibt dem Crawler die kanonische Referenz. Ein Beispiel:

Wer Inhalte entitätensauber aufbaut, denkt Sichtbarkeit ohnehin nicht mehr allein für die klassische Suche. Wie sich Rankings für Google und die Präsenz in KI-Antworten von ChatGPT, Perplexity und Co. datenbasiert und automatisiert zusammen steuern lassen, zeigt Crispy Content® unter dem Ansatz Agentic SEO und Generative Engine Optimization. Der Gedanke ist derselbe wie bei NER: Nicht raten, wo eine Marke gefunden wird, sondern es messbar machen.

Fünf Fehler, die Entitätenerkennung sabotieren – und wie es besser geht

Bestimmte Schreibmuster verhindern, dass NER-Systeme Entitäten korrekt zuordnen. Diese Fehler sind vermeidbar – und ihre Korrektur kostet nichts außer Aufmerksamkeit.

• Pronomen statt Entitätsnamen: „Sie investierte 2 Mrd. EUR" – welche Organisation? Alternative: Bezugswort wiederholen, wenn der letzte Entitätsname mehr als zwei Sätze zurückliegt.
• Abkürzungen ohne Einführung: „Das BSI warnt" im dritten Absatz, ohne dass „Bundesamt für Sicherheit in der Informationstechnik" je genannt wurde. Alternative: Beim ersten Auftreten ausschreiben, Abkürzung in Klammern.
• Generische Bezeichnungen statt spezifischer Namen: „Das Unternehmen wächst" statt „Die Siemens AG wächst". Alternative: Den kanonischen Namen verwenden, wann immer der Bezug sonst unklar wäre.
• Fehlende Kontextinformationen bei mehrdeutigen Begriffen: „Amazon expandiert" – Fluss oder Konzern? Alternative: Typ-Attribut ergänzen: „Amazon, der E-Commerce-Konzern".
• Inkonsistente Namensschreibweisen: „Hubspot", „HubSpot", „Hub Spot" im selben Text. Alternative: Einen kanonischen Namen festlegen und durchhalten.

NER-Trends 2025/2026 – was sich für Content-Strategien ändert

Die Weiterentwicklung von Named Entity Recognition durch LLMs, multimodale Erkennung und Echtzeit-Wissensgraphen verändert die Anforderungen an digitale Inhalte. Was 2020 noch ein akademisches Nischenthema war, ist 2025 ein Kernsegment eines auf 52 Mrd. USD geschätzten NLP-Marktes.

LLM-basierte NER – höhere Genauigkeit, neue Anforderungen

GPT- und BERT-basierte Modelle erkennen Entitäten kontextabhängig und sprachübergreifend. Ein LLM-basiertes NER-System erreicht auf dem CoNLL-2003-Benchmark F1-Scores von über 95 % – ohne domänenspezifisches Training. Die Konsequenz für Content: Inhalte müssen auch in Übersetzungen entitätskonsistent sein. Wer „Deutsche Telekom AG" im deutschen Text verwendet und im englischen „German Telecom" schreibt, erzeugt für multilinguale Systeme zwei Entitäten statt einer.

Multimodale Entitätenerkennung – Text, Bild, Video

NER-Systeme analysieren nicht mehr nur Fließtext. Bildunterschriften, Alt-Texte, Video-Transkripte und sogar OCR-extrahierte Texte aus Infografiken werden auf Entitäten gescannt. Die Konsequenz: Entitätsnamen in Dateinamen, Captions und Transkripten konsistent zum Fließtext verwenden. Ein Alt-Text „Team bei der Arbeit" ist für NER wertlos – „Entwicklerteam der SAP SE auf der DMEXCO 2025" liefert drei Entitäten.

Entitäten als Grundlage für KI-Sichtbarkeit (GEO)

Generative Engine Optimization (GEO) basiert auf entitätsreichen, passage-fähigen Inhalten. Wer für AI Overviews, ChatGPT-Antworten und Perplexity-Zusammenfassungen sichtbar sein will, braucht Texte, die pro Absatz mindestens eine klar identifizierbare Entität mit verifizierbarer Aussage enthalten.

Nächste Schritte – Entitätenerkennung in die Content-Strategie integrieren

Die Integration von Named Entity Recognition in bestehende Content-Workflows erfordert vier konkrete Maßnahmen: Audit, Prozessanpassung, technische Implementierung und Monitoring. Keine davon ist komplex – jede ist messbar.

1. Content-Audit mit NER-API durchführen: Bestehende Inhalte durch die Google Cloud Natural Language API oder ein vergleichbares Tool laufen lassen. Ergebnis: eine Liste aller erkannten Entitäten pro Seite mit Salience-Score. Seiten mit weniger als 5 Entitäten pro 1.000 Wörter priorisieren. Setup-Zeit: 15 Minuten.
2. Entitäten-Briefing in den Redaktionsprozess einbauen: Pro Artikel 5–10 Ziel-Entitäten mit kanonischem Namen, Typ und Wikidata-ID definieren. Das Briefing wird Teil der Redaktionsplanung, nicht nachträgliche Optimierung.
3. Schema.org-Markup systematisch implementieren: JSON-LD mit @id und sameAs für alle Kernentitäten der Website. Mindestens: Organization, Person (Geschäftsführung, Autoren), Product, LocalBusiness.
4. Monitoring einrichten: Monatlich prüfen, ob Ziel-Entitäten in AI Overviews und Knowledge Panels erscheinen. Die Google Search Console liefert Hinweise auf Entity-basierte Impressionen; manuelle Stichproben in ChatGPT und Perplexity ergänzen das Bild.

Eine dokumentierte Entitäten-Strategie macht Content-Investitionen messbar und KI-sichtbar. Wer den Aufbau nicht intern stemmen will, kann ihn mit einer spezialisierten Content-Marketing-Agentur wie Crispy Content® entwickeln.

Quellen

Seow, W. L. / Chaturvedi, I. / Hogarth, A. / Mao, R. / Cambria, E. (2025): A review of named entity recognition: from learning methods to modelling paradigms and tasks. In: Artificial Intelligence Review, Vol. 58, Art. 315. URL: https://link.springer.com/article/10.1007/s10462-025-11321-8 (Zugriff am 20.07.2026).

Stoy, L. / iPullRank (2025): How AI Search Platforms Leverage Entity Recognition and Why It Matters. URL: https://ipullrank.com/ai-search-entity-recognition (Zugriff am 20.07.2026).

Raaf, U. / SISTRIX (2025): Entitäten: Wie Google Inhalte semantisch einordnet. URL: https://www.sistrix.de/frag-sistrix/seo-grundlagen/entitaeten/ (Zugriff am 20.07.2026).

MarketsandMarkets (2025): Natural Language Processing (NLP) Market Report 2026. URL: https://www.marketsandmarkets.com/Market-Reports/natural-language-processing-nlp-825.html (Zugriff am 20.07.2026).

Discovered Labs (2025): Entity Recognition & Knowledge Graphs: How to Structure Your Brand for AI Understanding. URL: https://discoveredlabs.com/blog/entity-recognition-knowledge-graphs-how-to-structure-your-brand-for-ai-understanding (Zugriff am 20.07.2026).