Token
Ein Token ist die kleinste Verarbeitungseinheit, in die ein KI-Sprachmodell Text zerlegt. Ein Token entspricht ungefähr einem kurzen Wort, einem Wortteil oder einem Satzzeichen. Modelle wie ChatGPT oder Claude lesen, denken und antworten nicht in Buchstaben oder ganzen Sätzen, sondern in Tokens. Sie bilden die Recheneinheit, mit der jede KI-Ausgabe entsteht und abgerechnet wird.
Warum Tokens für deine Sichtbarkeit zählen
Tokens sind die Währung jeder KI-Interaktion. Jede Frage, die ein Nutzer an einen KI-Assistenten stellt, und jede Antwort werden in Tokens gemessen. Das hat direkte Folgen für deine Sichtbarkeit: Modelle haben ein begrenztes Kontextfenster, also eine maximale Menge an Tokens, die sie gleichzeitig verarbeiten können. Passt dein Inhalt nicht in dieses Budget, wird er gekürzt oder gar nicht erst berücksichtigt. Wer verstehen will, warum eine KI die eigene Marke nennt oder übergeht, muss wissen, dass die Maschine in Tokens denkt. Prägnante, klar strukturierte Texte kosten weniger Tokens und lassen sich leichter in eine Antwort aufnehmen. Aufgeblähte Formulierungen verschwenden Budget, das sonst deiner Marke zugutekäme.
Wie Tokenisierung funktioniert
Bevor ein Modell Text verarbeitet, zerlegt ein sogenannter Tokenizer die Zeichenkette in Tokens. Häufige Wörter werden oft zu einem einzigen Token, seltene oder lange Wörter in mehrere Teile zerlegt. Das deutsche Wort Suchmaschinenoptimierung kann so aus mehreren Tokens bestehen, während und ein einzelnes ist. Als grobe Faustregel gilt: Für deutschen Text entspricht ein Token etwa 0,7 bis 0,8 Wörtern, also deutlich weniger effizient als im Englischen. Jedes Token wird anschließend in eine Zahlenfolge, eine sogenannte Vektor-Einbettung, übersetzt, mit der das neuronale Netz rechnet. Danach sagt das Modell Token für Token die wahrscheinlichste Fortsetzung voraus. So entsteht eine Antwort Baustein für Baustein, nicht als fertiger Satz auf einmal.
Häufige Fehler und Missverständnisse
Der größte Irrtum ist, Tokens mit Wörtern gleichzusetzen. Ein Token ist meist kleiner als ein Wort, gerade im Deutschen mit seinen langen Komposita. Ein zweiter Fehler betrifft das Kontextfenster: Viele glauben, ein Modell könne beliebig lange Texte am Stück verarbeiten. Tatsächlich gilt ein festes Token-Limit für Eingabe und Ausgabe zusammen. Wird es überschritten, vergisst das Modell frühere Inhalte oder bricht ab. Für die KI-Sichtbarkeit heißt das: Lange, verschachtelte Seiten mit viel Ballast konkurrieren um knappes Token-Budget. Wer die Kernaussage weit oben und in klarer Sprache platziert, erhöht die Chance, dass die relevanten Tokens in die Antwort gelangen und die eigene Marke zitiert wird.
Bezug zu KI-Empfehlungen und GEO
In der Generative Engine Optimization ist das Token-Denken die Brücke zwischen deinem Inhalt und der KI-Antwort. Ein Assistent zieht relevante Passagen heran, wandelt sie in Tokens um und formt daraus eine Empfehlung. Kurze, faktendichte Absätze mit klaren Entitäten wie Ort, Leistung oder Preis lassen sich effizient tokenisieren und leichter zitieren. Auch die Kosten spielen mit: Anbieter rechnen ihre Modelle pro tausend Tokens ab, weshalb Systeme dazu neigen, sparsame, gut komprimierbare Quellen zu bevorzugen. Wenn du deine Inhalte so schreibst, dass sie in wenigen Tokens eine vollständige Antwort liefern, arbeitest du im Sinne der Maschine und steigerst deine Chance auf eine Markennennung in der KI-Suche.
Beispiel
Stell dir eine kleine Steuerkanzlei vor, die auf ihrer Website erklärt, dass sie Existenzgründer in Freiburg berät. Fragt ein Nutzer einen KI-Assistenten nach einem Steuerberater für Gründer in Freiburg, zerlegt das Modell sowohl die Frage als auch die gefundenen Website-Texte in Tokens. Steht die Kernaussage kompakt und mit klaren Begriffen wie Existenzgründung, Freiburg und Erstberatung im Text, passt sie leicht ins Token-Budget der Antwort. Ein weitschweifiger Fließtext dagegen kostet viele Tokens, ohne die Frage direkt zu beantworten, und wird eher übergangen. Kompakte Klarheit gewinnt.
Häufige Fragen
Wie viele Tokens hat ein deutscher Satz?
Als Faustregel entspricht ein Token etwa 0,7 bis 0,8 Wörtern. Ein normaler deutscher Satz mit 15 Wörtern hat also grob 20 Tokens. Lange Komposita und seltene Fachbegriffe erhöhen die Tokenzahl, weil sie in mehrere Teile zerlegt werden.
Warum werden KI-Modelle pro Token abgerechnet?
Weil das Token die tatsächliche Recheneinheit ist. Jedes verarbeitete und erzeugte Token kostet Rechenleistung. Anbieter wie OpenAI oder Anthropic rechnen deshalb pro tausend Tokens ab, getrennt nach Eingabe und Ausgabe, statt pro Wort oder Anfrage.