Multimodale Suche

Multimodale Suche ist 2026 eines der wichtigsten Emerging-Felder neben AI Agents. Klassische Suchmaschinen verarbeiteten primär Text — Anfragen wurden in Wörter zerlegt, mit dem Index abgeglichen, Treffer nach Wort-Übereinstimmung rangiert. Multimodale Systeme dagegen können Bilder als Anfrage entgegennehmen ('was ist auf diesem Foto?'), Sprachaufnahmen verarbeiten ('was habe ich gesagt?') oder cross-modal arbeiten ('finde mir Fotos zu dieser Beschreibung'). Die Modalitäts-Grenze verschwimmt — User können in der Modalität fragen, die ihnen gerade am natürlichsten vorkommt.

Drei multimodale Plattformen dominieren 2026 im Mainstream. Erstens Google Lens: seit 2017 verfügbar, 2024 stark um KI-Generation erweitert. Vision-First-Suche mit nahtloser Integration in Google Search. Zweitens ChatGPT Vision (GPT-4 mit Vision-Capability): seit 2023 verfügbar, 2026 in der ChatGPT-App standardmässig integriert. Anwender können Fotos in den Chat ziehen und Fragen dazu stellen. Drittens Claude Vision (Anthropic): seit 2024 verfügbar, mit besonderer Stärke in komplexen Diagrammen, Charts und PDF-Dokumenten. Plus eine wachsende Anzahl spezialisierter Plattformen (Perplexity Pro mit Bild-Support, Gemini mit Multimodal-Native-Architektur).

Für GEO bedeuten multimodale Systeme eine neue Sichtbarkeits-Dimension. Bilder, Charts und Diagramme auf der eigenen Site werden zu potentiellen Citation-Quellen — vorausgesetzt sie sind maschinenlesbar markiert. Konkret: alt-Texte werden wichtiger denn je (multimodale Modelle nutzen sie als Kontext-Anker), Schema.org-ImageObject-Markup mit caption und description wird zum Standard, schema.org-VideoObject mit transcript-Property macht Video-Inhalte zitierbar. Sites mit reicher multimodaler Pflege haben strukturellen Vorteil bei Vision-First-Anfragen.

Praktisch sollten Sites 2026 drei multimodale Optimierungen prüfen. Erstens alt-Text-Disziplin: jedes nicht-dekorative Bild bekommt einen beschreibenden alt-Text mit Kontext-Information (nicht nur 'Foto', sondern 'Marco Biner bei der GEO-Konferenz Zürich 2025'). Zweitens Schema.org-ImageObject: für wichtige Bilder mit caption, description, contentUrl und license. Drittens Video-Strukturierung: Video-Inhalte mit VideoObject-Schema, optional Transcript-Verlinkung über transcript-Property. Diese drei Massnahmen kombiniert produzieren multimodal-zitierbares Inhalts-Inventar.

Wichtig zur Abgrenzung: Multimodale Suche ist nicht Voice Search ist nicht Visual Search allein. Voice Search ist eine spezifische Eingabe-Modalität (Sprache zu Text). Visual Search ist eine spezifische Eingabe-Modalität (Bild zu Antwort). Multimodale Suche umfasst alle Modalitäten und insbesondere ihre Kombination — ein Foto mit gesprochener Frage, ein Diagramm mit Text-Annotationen. Die Multimodal-Architektur ist übergeordnet.

Multimodale Schema.org-Pflege für eine GEO-Site:

# 1. ImageObject mit reichem Kontext
{
  '@context': 'https://schema.org',
  '@type': 'ImageObject',
  '@id': 'https://www.geoquality.ai/img/seakt-framework.png',
  'contentUrl': 'https://www.geoquality.ai/img/seakt-framework.png',
  'name': 'SEAKT-Framework Übersicht',
  'caption': 'Die fünf Dimensionen des SEAKT-Frameworks zur Bewertung von KI-Sichtbarkeit',
  'description': 'Diagramm zeigt S (Strukturelle Daten 25 Pkt), E (Entity-Klarheit 20 Pkt), A (Autorität 20 Pkt), K (Content-Qualität 20 Pkt), T (Technische Zugänglichkeit 15 Pkt)',
  'creator': {'@id': '/ueber#marco-biner'},
  'license': 'https://creativecommons.org/licenses/by/4.0/'
}

# 2. VideoObject mit Transcript
{
  '@type': 'VideoObject',
  'name': 'SEAKT-Framework erklärt in 5 Minuten',
  'description': 'Video-Tutorial zur GEO-Bewertung',
  'thumbnailUrl': 'https://...',
  'contentUrl': 'https://...',
  'duration': 'PT5M30S',
  'transcript': 'Vollständige Transkription der Video-Inhalte...'
}

# 3. HTML mit reichen alt-Texten
<img src='/img/seakt-framework.png'
     alt='SEAKT-Framework Diagramm: fünf Dimensionen S-E-A-K-T'
     loading='lazy' width='1200' height='800'>

Diese strukturierte multimodale Pflege macht Bilder und Videos für ChatGPT Vision, Claude Vision und Google Lens als Citation-Quellen verwertbar.