Frege im SERP: Wenn Keyword 1 als Antwort Keyword 2 liefert
Tippst du in Google „seo agentur münchen” ein, taucht in den oberen Ergebnissen JSH Marketing auf. Tippst du „die google doktoren” ein, taucht dieselbe Adresse auf. Tippst du „seo experte münchen julian hofmann” ein — wieder das Gleiche. Drei Anfragen, drei verschiedene Wortketten, kein einziges Wort ist über alle drei Eingaben identisch. Trotzdem versteht das System: Es geht um denselben Anbieter.
Aus Sicht klassischen Keyword-Matchings dürfte das gar nicht funktionieren. „Google Doktor” enthält keine der Tokens aus „SEO Agentur”, und der Markenname „JSH Marketing” steht in keiner der drei Suchanfragen. Wenn das Ergebnis trotzdem stimmt, dann hat die Suchmaschine eine Identifikation hergestellt, die über reine Stringähnlichkeit hinausgeht — sie hat erkannt, dass drei sprachlich verschiedene Ausdrücke auf dieselbe Sache verweisen.
Genau dieses Problem hat Gottlob Frege 1892 isoliert. In einem Aufsatz, der die Sprachphilosophie und später die linguistische Semantik geprägt hat, beschreibt er eine Frage, die in der KI-Suche heute produktiv geworden ist: Wie kann es sein, dass zwei verschiedene Zeichen denselben Gegenstand bezeichnen — und warum ist dieses Erkennen alles andere als trivial?
Inhalt dieser Seite
Morgenstern und Abendstern
Freges Eröffnung ist auf den ersten Blick harmlos. Er beginnt mit einer logischen Beobachtung über die Gleichheit:
„a = a und a = b sind offenbar Sätze von verschiedenem Erkenntniswert: a = a gilt a priori und ist nach Kant analytisch zu nennen, während Sätze von der Form a = b oft sehr wertvolle Erweiterungen unserer Erkenntnis enthalten und a priori nicht immer zu begründen sind.”— Gottlob Frege, Über Sinn und Bedeutung (1892), S. 25
Der Satz „der Morgenstern ist der Morgenstern” ist trivial wahr und sagt nichts über die Welt aus. Der Satz „der Morgenstern ist der Abendstern” hingegen ist eine astronomische Entdeckung. Beide Ausdrücke bezeichnen denselben Planeten Venus, aber das war den Menschen über Jahrtausende nicht bewusst. Sie sahen morgens einen hellen Punkt am Osthimmel und abends einen am Westhimmel und hielten das für zwei verschiedene Himmelskörper. Erst die Astronomie hat festgestellt: ein Körper, zwei Sichtbarkeiten.
Frege fragt nun: Wenn „a = a” und „a = b” beide nur eine Aussage über denselben Gegenstand machen, warum hat dann nur die zweite Form Erkenntniswert? Warum lernt man durch „Morgenstern = Abendstern” etwas, das man durch „Morgenstern = Morgenstern” nicht lernt? Wenn Identität nur eine Beziehung zwischen einem Ding und sich selbst wäre, müssten beide Sätze gleichwertig sein. Sind sie aber nicht.
Sinn und Bedeutung
Freges Antwort führt einen Begriff ein, der heute in der Sprachphilosophie selbstverständlich und damals neu war: die Unterscheidung zwischen Sinn und Bedeutung.
„Es liegt nun nahe, mit einem Zeichen (Namen, Wortverbindung, Schriftzeichen) außer dem Bezeichneten, was die Bedeutung des Zeichens heißen möge, noch das verbunden zu denken, was ich den Sinn des Zeichens nennen möchte, worin die Art des Gegebenseins enthalten ist.”— Frege, Über Sinn und Bedeutung, S. 26
In moderner Begriffstrennung: Die Bedeutung eines Ausdrucks ist der Gegenstand, auf den er sich bezieht — sein Referent. Die Bedeutung von „Morgenstern” ist der Planet Venus. Der Sinn eines Ausdrucks ist die Art, wie dieser Gegenstand uns gegeben wird — die Darbietungsweise. Der Sinn von „Morgenstern” enthält die Information „der Stern, der morgens sichtbar ist”, der Sinn von „Abendstern” die Information „der Stern, der abends sichtbar ist”. Zwei Sinne, eine Bedeutung.
Diese Unterscheidung erklärt, warum „a = b” Erkenntniswert hat. Du erkennst nicht, dass ein Gegenstand mit sich selbst identisch ist (das ist trivial), sondern dass zwei unterschiedliche Darbietungsweisen denselben Gegenstand betreffen. Das ist eine echte Information über die Welt.
Wir haben den Sinn-Begriff in einem anderen Zusammenhang bereits aufgegriffen, in der Differenz zwischen Suchanfrage und Prompt. Dort ging es um die sprachliche Eingabeseite: Eine Query „arzt auswandern” und ein Prompt „Was muss ich als Arzt beachten, wenn ich auswandern will” haben unterschiedliche Sinne, aber dieselbe Intent-Bedeutung. Der vorliegende Artikel arbeitet auf der anderen Seite des Suchprozesses — auf der Seite des Gegenstands, der von der Suche zurückgeliefert wird. Wenn die Eingabe ein Sinn unter mehreren möglichen ist, dann ist die referierte Marke ein Gegenstand mit mehreren Namen. Beide Seiten sind Frege-Probleme. Beide müssen gleichzeitig gelöst werden, damit Suche überhaupt funktioniert.
200+
5,0
zufriedene Kunden
Marken haben mehrere Namen, Anfragen mehrere Formulierungen
Das Frege-Problem ist nicht spezifisch für Himmelskörper. Es greift überall, wo Sprache auf Gegenstände verweist, und in der Suche tritt es gleich an zwei Stellen auf.
Die erste Stelle ist die Marke. Eine Marken-Entität hat in der Regel mehrere Namen. JSH Marketing wird je nach Kontext als „JSH Marketing”, „JSH”, „Die Google Doktoren”, „Der Google Doktor”, „Julian Hofmann” oder „SEO-Agentur Hofmann” referiert. Manche dieser Namen sind formal-rechtlich, manche sind Branding-Layer, manche sind personenbezogene Stellvertretungen für die Agentur durch ihren Gründer. Aus Frege-Sicht: fünf Sinne, eine Bedeutung. Das System, das auf eine dieser Anfragen die anderen mitausspielt, hat die Identität dieser Sinne in einer Bedeutung erkannt.
Die zweite Stelle ist die Suchanfrage selbst. Wer eine SEO-Agentur in München sucht, formuliert das auf hundert verschiedene Arten: „seo agentur münchen“, „suchmaschinenoptimierung münchen”, „google ranking experte münchen”, „seo dienstleister bayern”, „seo beratung münchen”. Auch hier: viele Sinne, eine Bedeutung — die gemeinsame Suchintention. Klassisches Keyword-Matching scheitert daran, weil es Strings vergleicht und nicht Intentionen. Eine Suchmaschine, die Sinn-Varianten nicht zusammenführt, hat für jede Wortvariation eine andere Trefferliste — und nur Treffer, die exakt das Anfragewort enthalten, kommen weit oben.
Genau hier wird die Entity-SEO-Praxis erklärungsbedürftig. Im Operativen ist beschrieben, was zu tun ist: strukturierte Daten setzen, Wikidata-Verknüpfungen aufbauen, konsistente Markennennungen in autoritären Kontexten platzieren. Was bislang nicht ausgeschrieben war: Wozu eigentlich? Das eigentliche Problem, das Entity-SEO löst, ist ein 130 Jahre altes referenztheoretisches Problem. Strukturierte Daten erklären der Suchmaschine, welche Sinne zu welcher Bedeutung gehören. Sie sind die maschinell lesbare Auflösung der Sinn-Bedeutung-Spaltung.
Wie zwei Sinne in einer Bedeutung zusammenfallen — die geometrische Antwort
Frege hat das Problem benannt, aber nicht gelöst, wie ein Erkennen von Sinn-Identität technisch herzustellen wäre. Diese Frage wird in der modernen KI-Suche operativ. Sie verlangt einen Mechanismus, der Sprache nicht als Zeichenkette behandelt, sondern als Position in einem strukturierten Raum.
Diese Architektur ist im Artikel „Carnap im Embedding-Raum” beschrieben: Sprachliche Ausdrücke werden im modernen KI-System geometrisch behandelt. Statt über Stringmatch bekommt jeder Ausdruck eine Position in einem hochdimensionalen Vektorraum — einem Embedding-Raum. Diese Position wird aus der Verwendung gelernt: Ausdrücke, die in den Trainingsdaten in ähnlichen Kontexten erscheinen, landen geometrisch nah beieinander.
Übersetzt in Frege-Terminologie: Ein Sinn ist ein Punkt im Embedding-Raum. Mehrere Sinne mit derselben Bedeutung sollten dort geometrisch zusammenfallen oder dicht zusammenliegen — denn sie werden im Sprachgebrauch der Welt in austauschbaren Kontexten verwendet. „JSH Marketing” und „Die Google Doktoren” erscheinen in denselben Sätzen, denselben Bewertungen, denselben Branchenkontexten. Das System lernt diese Nähe, ohne dass jemand explizit gesagt hätte „das ist dasselbe”.
Damit wird die Antwort auf das Frege-Problem operationalisierbar. Wo Frege gefragt hat, wie ein erkennendes Wesen begreifen kann, dass zwei Zeichen denselben Gegenstand betreffen, antwortet das KI-System geometrisch: Identität wird durch Nähe im Vektorraum approximiert. Das ist eine andere Antwort, als ein Mensch sie gibt — der Mensch erkennt Identität propositional, das System statistisch. Für die Praxis von Suche und KI-Antwort reicht die geometrische Identität meist aus.
Das erklärt auch, warum eine Anfrage nach „seo agentur münchen” eine Marke wie „JSH Marketing” als Treffer liefern kann. Beide Ausdrücke liegen im Embedding-Raum so nah beieinander, dass das System sie als zusammengehörig behandelt — obwohl sie sprachlich kein einziges Token teilen. Das ist Frege im Embedding-Raum: Sinn-Identifikation als Geometrie.
200+
5,0
zufriedene Kunden
Schema.org als technische Inkarnation der Sinn-Bedeutung-Auflösung
Die geometrische Lösung über Embeddings ist statistisch — sie wird wahrscheinlicher, je mehr Trainingsdaten das System gesehen hat. Für eine etablierte Marke mit umfassender Webpräsenz funktioniert sie meistens. Für eine junge Marke, eine Umbenennung, eine Marke mit konkurrierenden Namensgleichheiten reicht sie oft nicht aus.
Hier setzt der zweite Lösungsweg an, der dieselbe Sinn-Bedeutung-Spaltung adressiert, aber explizit statt implizit: strukturierte Daten. Schema.org stellt mit der sameAs-Property eine maschinenlesbare Notation bereit, mit der ein Webdokument einer Maschine sagen kann: Diese Sinne gehören zu derselben Bedeutung. Konkret schreibt eine Webseite in ihren JSON-LD-Block, dass die Entität „JSH Marketing” identisch ist mit dem LinkedIn-Profil unter einer bestimmten URL, mit dem Wikidata-Eintrag, mit dem Google-Business-Profil. Jede dieser Verknüpfungen ist eine explizite Sinn-Bedeutung-Erklärung — ein maschineller Frege-Satz der Form „a = b”.
Wer das ernst nimmt, formalisiert das, was Frege als sprachphilosophisches Problem isoliert hat. Strukturierte Daten leisten mehr als die Anzeige von Rich Snippets. Sie sind die technische Auflösung einer Frage, die seit dem 19. Jahrhundert offen ist: Wie übersetzt sich Sinn-Identität in eine Form, die ein nicht-menschlicher Prozessor zuverlässig erkennen kann? Wer Schema in dieser Tiefe versteht, sieht auch, warum Agent Readiness und Entity-Klarheit dieselbe Disziplin sind: Beide arbeiten daran, dass Maschinen Welt-Referenzen ohne Umweg über menschliche Interpretation auflösen können.
Konsequenz für GEO-Praxis: Brand-Tracking als Sinn-Vermessung
Wenn dieser Bogen trägt, dann hat er eine konkrete Konsequenz für die Praxis. Sie betrifft die Frage, wie man die Sichtbarkeit einer Marke in KI-Systemen überhaupt messen soll.
Im klassischen SEO-Tracking misst du die Position einer Domain auf einer definierten Keyword-Liste. Im GEO-Tracking misst du Markenerwähnungen, Citations und Share of Voice in LLM-Antworten. Auf den ersten Blick wirken beide Setups vergleichbar. In Wirklichkeit hat das LLM-Setup eine zusätzliche Schicht, die in klassischen Rankings nicht auftaucht: Es misst über mehrere Sinne hinweg, die noch nicht zusammengeführt sind.
Das hat praktische Folgen. Solange ein LLM die Identität verschiedener Markennamen nicht erkannt hat, verteilt es Autorität auf mehrere Referenzknoten. Eine Marke, die unter zwei Namen bekannt ist, kann in den Trainingsdaten so vorkommen, dass beide Namen separate Cluster bilden — mit jeweils eigener Reputation, eigenen Assoziationen, eigener Zitierhäufigkeit. Wer in diesem Zustand nur einen der beiden Namen trackt, übersieht den Teil der Sichtbarkeit, der unter dem anderen Sinn liegt. Wer beide Namen trackt, aber als getrennte Metriken behandelt, übersieht, dass die Summe nicht additiv ist — die LLM-Antwort auf eine konkrete Frage liefert in der Regel nur einen der Namen, nicht beide.
Daraus folgt: Brand-Tracking in der KI-Suche muss pro Sinn-Variante messen. Jede Schreibweise, jeder Markenname, jede personenbezogene Stellvertretung wird zur eigenen Variable. Erst wenn das System diese Sinne als identische Referenten erkannt hat — sichtbar daran, dass eine Anfrage unter einem Sinn auch die anderen mit auswirft — kann man sie als eine Bedeutung aggregieren. Bis dahin sind sie Frege-Fälle: ähnlich genug, um auf dieselbe Sache zu zielen, getrennt genug, um getrennt gemessen werden zu müssen.
Das gilt auch für die Eingabeseite. Eine Anfrage hat mehrere mögliche Formulierungen, und das LLM hat noch nicht jede Variante als äquivalent erkannt. Solange das Tracking nur eine Phrasierung abdeckt, fehlt die Information, wie sich die Marke unter benachbarten Phrasierungen schlägt. Erst die parallele Messung mehrerer Sinne — auf Anfrage- und auf Markenseite — ergibt ein vollständiges Bild der KI-Sichtbarkeit. Das ist nicht der einzige Grund, mehrere Prompts zu testen, aber es ist der referenztheoretische. Wer dabei auch noch E-E-A-T-Signale konsequent pflegt, erhöht die Wahrscheinlichkeit, dass die zusammenlaufenden Sinne als autoritative Bedeutung verarbeitet werden.
Suche als angewandte Sprachphilosophie
Frege hat 1892 ein Problem isoliert, das zu seiner Zeit logisch und linguistisch interessant, aber technisch folgenlos war. Eine Suchmaschine, die seine Unterscheidung hätte verwenden können, gab es noch nicht. 130 Jahre später ist diese Unterscheidung Voraussetzung dafür geworden, dass Suche und KI-Antwortsysteme überhaupt funktionieren. Jedes Mal, wenn Google auf eine Anfrage nach „seo agentur münchen” eine Marke wie JSH Marketing ausspielt, wird Freges Sinn-Bedeutung-Unterscheidung im technischen System nachgebaut. Jedes Mal, wenn ChatGPT „Die Google Doktoren” und „JSH Marketing” als denselben Anbieter behandelt, wendet es eine Sinn-Identifikation an, die in der philosophischen Tradition seit Frege formuliert ist.
Wer Entity-SEO macht, betreibt insofern angewandte Sprachphilosophie — auch wenn das niemand so nennt. Strukturierte Daten, sameAs-Links zu Wikidata, konsistente Markennennungen in autoritären Kontexten sind allesamt Frege-Hilfsmittel. Sie helfen dem System, ein referenztheoretisches Problem zu lösen, das seit 1892 als Problem benannt ist. Wer das versteht, sieht Entity-Resolution als operative Form einer Frage, die Sprache von Anfang an begleitet. Dieser Bogen wird auch im älteren Beitrag zu SEO und Philosophie gezogen, dort breiter und essayistisch; hier scharf auf einen Begriff und seine technische Übersetzung.
Der Querverweis auf die historische Tiefe ist kein Selbstzweck. Er hilft, die richtigen Fragen zu stellen. Eine Suchmaschinen-Praxis, die nur Tools und Tags kennt, übersieht, was sie eigentlich tut. Eine SEO-Disziplin, die ihre eigene begriffliche Geschichte sieht, kann besser einschätzen, wo neue KI-Antwortsysteme tatsächlich Neues bringen — und wo sie nur eine alte Frage in eine neue Architektur überführen. Wer den Überblick über die Begriffe selbst sucht, findet ihn in der Unterscheidung von SEO, GEO und AEO; wer die volle Praxis-Linie sehen will, im Guide zu GEO & SEO 2026. Die meisten Fragen sind die alten. Die Architektur ist neu.
Wenn deine Marke heute unter mehreren Namen oder Stellvertretungen auftaucht und du wissen willst, ob die KI-Systeme das schon zusammengeführt haben, beginnt die Antwort mit einer Vermessung — und genau das machen wir als GEO-Agentur.
Quellen
Gottlob Frege: Über Sinn und Bedeutung. In: Zeitschrift für Philosophie und philosophische Kritik, NF 100 (1892), S. 25–50.
Schema.org: sameAs-Property. https://schema.org/sameAs (abgerufen Mai 2026).
