Information Gain: Was hinter dem Score steckt

Information Gain ist der Versuch, Content nicht mehr danach zu bewerten, wie vollständig er ein Thema abdeckt, sondern danach, was er zu den bereits rankenden Seiten hinzufügt. Ein Google-Patent, veröffentlicht unter zwei Nummern, beschreibt, wie ein Information Gain Score berechnet werden könnte. Bestätigt hat Google ihn nie.

Trotzdem lohnt sich der Blick: Die Logik erklärt sehr genau, warum umfangreiche, sauber optimierte B2B-Texte heute oft auf Position 8 stehen bleiben – und warum KI-Assistenten sie nicht zitieren.

Dieser Artikel ordnet die Patentlage ein, trennt belegte Fakten von Branchen-Interpretation und zeigt in sechs Schritten, wie Information Gain in einer echten Suche entstehen könnte. Grundlage sind die Patentschrift, die 2024 geleakte Content-Warehouse-Dokumentation und Googles offizielle Leitlinien.

Was ist der Information Gain Score?

Der Information Gain Score bewertet, wie viel neue Information ein Dokument über das hinaus liefert, was vergleichbare Dokumente zum selben Thema bereits enthalten – und was die suchende Person in ihrer laufenden Sitzung schon gelesen hat.

Das Patent formuliert es so: Der Score zeigt „zusätzliche Informationen, die über die Informationen der zuvor angesehenen Dokumente hinausgehen“. Entscheidend ist das Wort zusätzlich. Ein Text kann fachlich korrekt, gut strukturiert und trotzdem wertlos sein, wenn er nichts hinzufügt.

Praktisch bedeutet das eine Umkehrung der üblichen Content-Planung. Nicht „Welche Unterthemen decken die Top 10 ab, die uns fehlen?“, sondern „Was können wir sagen, das in den Top 10 niemand sagen kann?“. Genau hier setzt unsere Arbeit in der SEO-Beratung für B2B-Unternehmen an.

Nicht verwechseln: Information Gain in der Statistik

Der Begriff stammt ursprünglich aus der Informationstheorie und beschreibt dort die Entropiereduktion beim Aufbau von Entscheidungsbäumen – bekannt aus dem Vergleich mit dem Gini-Index. Beide Bedeutungen teilen sich denselben Namen.

Das ist mehr als eine Fußnote: Bei unserer AlsoAsked-Abfrage zum Begriff (DE, 16.09.2026) drehten sich alle vier Hauptfragen um Entscheidungsbäume, Entropie und Gini-Koeffizienten – keine einzige um SEO. Die Entität ist im Suchindex noch fest von der Data-Science-Bedeutung besetzt.

Die Patentlage: zwei Nummern, ein Verfahren

In der Branche kursieren mehrere Patentnummern durcheinander. Tatsächlich gehören die beiden meistzitierten zusammen – es sind Anmeldung und Erteilung desselben Verfahrens:

• US20200349181A1 – die Patentanmeldung „Contextual estimation of link information gain“, veröffentlicht am 5. November 2020.
• US11354342B2 – das daraus erteilte Patent, gleicher Titel, erteilt am 7. Juni 2022.
• Eingereicht wurde die Anmeldung bereits am 18. Oktober 2018.
• Erfinder sind Victor Carbune und Pedro Gonnet Anders, Anmelderin ist Google LLC.

Wer also liest, Information Gain sei „ein Patent von 2022“, und woanders „von 2020“, liest zweimal dasselbe Dokument in unterschiedlichen Verfahrensstadien. Ein Patent ist außerdem kein Beleg für den Einsatz im Ranking, sondern für eine Idee, die Google schützen wollte.

Anspruch 1 beschreibt ein Verfahren für einen automatisierten Assistenten: Es identifiziert Dokumente zu einem gemeinsamen Thema, die der Nutzerin noch nicht präsentiert wurden, und bewertet für jedes, welche zusätzliche Information sie gewinnen würde – über das hinaus, was aus den bereits präsentierten Dokumenten hervorging. Die Auswahl des nächsten Dokuments erfolgt dann auf Basis dieser Scores, ein weiterer Anspruch beschreibt eine Rangfolge danach.

Der Ablauf in einer echten Suche

Aus Patent und Leak lässt sich der Ablauf in sechs Schritten rekonstruieren: von der Bewertung im Index über den ersten Klick bis dahin, wo der neue Inhalt selbst zum Konsens wird. Im Patent belegt sind die Sitzungslogik und die Rangfolge nach Score, die übrigen Schritte sind unsere Lesart.

1. Bewertung im Index, vor der Suche. Laut Leak liegen zu Dokumenten Werte vor, die ohne Suchanfrage entstehen, etwa ein Originalitätswert für Seiten mit wenig Inhalt (OriginalContentScore) und eine LLM-basierte Aufwandsschätzung für Artikelseiten (contentEffort). Ein umgeschriebener Text ohne neue Fakten dürfte keinen dieser Werte verbessern.
2. Jemand sucht. Mit der Suchanfrage beginnt eine Session. Ab hier ist Information Gain doppelt relativ: zum Index und zum Wissensstand genau dieser Person, der mit jedem gelesenen Treffer wächst.
3. Abstand zum Konsens. Die passenden Dokumente werden als Vektoren verglichen, das Patent nennt Embeddings ausdrücklich als mögliche Grundlage des Scores. Je weiter eine Seite vom Schwerpunkt aller Antworten entfernt liegt und trotzdem zur Anfrage passt, desto höher ihr Gain. Synonyme und neue Überschriften verschieben sie kaum, neue Fakten und Gegenpositionen schon.
4. Gain entscheidet zwischen relevanten Seiten. Relevanz, Autorität und Nutzersignale bestimmen weiterhin die Reihenfolge. Der Gain wirkt zusätzlich: Laut Patent können Treffer zumindest teilweise nach ihrem Score gereiht werden, am stärksten wohl dort, wo zehn Seiten gleich relevant sind.
5. Nach dem ersten Klick. Der eigentliche Wettbewerb ist der Treffer, den die Person gerade gelesen hat. Seiten, die nur dasselbe abdecken, haben für diese Session keinen Gain mehr.
6. Der Konsens verschiebt sich. Die neuartige Seite wird zitiert, kopiert und mitindexiert, der Schwerpunkt wandert auf sie zu. Derselbe Inhalt hat morgen weniger Gain als heute, und der Ablauf beginnt wieder bei Schritt 1.

Drei Dinge werden im Durchlauf sichtbar. Erstens entsteht ein Teil der Bewertung bereits beim Indexieren, ohne Suchanfrage. Zweitens verändert sich der Wert eines Dokuments während der Sitzung. Drittens endet der Prozess dort, wo er beginnt.

Was Google offiziell sagt – und was nicht

Google hat nie bestätigt, dass ein Information Gain Score im Ranking läuft. Es gibt keine Dokumentation, keinen Blogpost, keine Aussage aus dem Search-Relations-Team dazu.

Es gibt aber offizielle Texte, die inhaltlich in dieselbe Richtung zeigen. In „Creating Helpful, Reliable, People-First Content“ stellt Google Selbstprüfungsfragen, die dem Patentgedanken sehr nahe kommen: Bietet der Inhalt eigene Informationen, eigene Recherche oder eigene Analyse? Beschreibt er das Thema substanziell? Oder kopiert und paraphrasiert er lediglich andere Quellen, ohne eigenen Mehrwert?

Dieselbe Linie findet sich in den Search Quality Rater Guidelines: Wenn es an einer Seite nichts Einzigartiges oder Besonderes gibt, ist eine gute Page-Quality-Bewertung nicht zu erwarten. Und schon zum Helpful Content Update 2022 fragte Google, ob ein Inhalt vor allem zusammenfasst, was andere sagen, ohne viel Mehrwert hinzuzufügen.

Für die Praxis heißt das: Wer nach Information Gain arbeitet, arbeitet nicht gegen Googles dokumentierte Erwartungen, sondern deckungsgleich mit ihnen – nur mit einem präziseren Modell im Kopf.

Unique Content ist nicht Information Gain

Der häufigste Denkfehler in Redaktionen: Unique Content meint einen Text, der nirgendwo sonst so formuliert steht. Information Gain meint eine Aussage, die nirgendwo sonst so steht.

Ein vollständig neu geschriebener Ratgeber, der inhaltlich exakt den Konsens der Top 10 wiedergibt, ist hundertprozentig unique – und bringt null Gewinn. Umgekehrt kann ein kurzer Beitrag mit zwei eigenen Messwerten erheblichen Gewinn liefern.

Im Vektorraum wird der Unterschied greifbar: Synonyme und neue Überschriften verschieben ein Dokument kaum vom semantischen Schwerpunkt seines Themas weg. Neue Fakten, Gegenpositionen und Randfälle verschieben es messbar.

Der Wettbewerb ist der zuletzt gelesene Treffer

Der stärkste Teil des Patents ist die Sitzungslogik. Bewertet wird nicht gegen die Ergebnisliste von gestern, sondern gegen das, was diese Person gerade gelesen hat.

Für Platz 2 bedeutet das eine harte Anforderung: Die Seite muss etwas sagen, das Platz 1 nicht gesagt hat. Wer denselben Inhalt in anderer Reihenfolge liefert, ist für diese Sitzung informationslos – unabhängig von Textlänge und Keyword-Dichte.

Damit erklärt sich auch, warum die Skyscraper-Technik an Wirkung verliert. „Alles zusammenfassen, was die Top 10 sagen, nur ausführlicher“ erzeugt per Definition maximale Redundanz gegenüber genau diesen Seiten.

Was der Content-Warehouse-Leak ergänzt

Aus dem Leak der internen Content-Warehouse-Dokumentation von 2024 stammen mehrere Attribute, die zur Patentlogik passen. Sie sind nicht Teil des Patents, sondern eine zweite, unabhängige Quelle: Die Attribute sind dokumentiert, ihre Rolle im Ranking aber nicht, alles Weitere ist Interpretation.

• OriginalContentScore – laut Dokumentation ein Originalitätswert, den nur Seiten mit wenig Inhalt tragen.
• contentEffort – eine LLM-basierte Schätzung des Aufwands hinter Artikelseiten.
• pageEmbedding und siteEmbedding – komprimierte Vektorrepräsentationen von Seite und Website, mit denen sich Abstände zwischen Inhalten überhaupt erst berechnen lassen.
• siteAuthority – ein Signal auf Ebene der ganzen Website. Es würde erklären, warum dieselbe Information auf zwei Domains unterschiedlich weit trägt.

Die redaktionelle Konsequenz liegt trotzdem nahe: Woran das Modell Aufwand festmacht, sagt die Dokumentation nicht. Unsere Lesart: Ein selbst gebauter Rechner, eine eigene Vergleichsgrafik oder ein interaktives Schema zeigen Aufwand deutlicher als zweitausend zusätzliche Wörter.

Warum B2B-Unternehmen hier strukturell im Vorteil sind

Information Gain verlangt Erstdaten. Und Erstdaten sind im B2B systematisch vorhanden, nur selten dokumentiert.

• Vertrieb: Die zehn Einwände, die in jedem zweiten Erstgespräch fallen, stehen in keinem Ratgeber.
• Projektrealität: Durchlaufzeiten, Integrationsaufwände und echte Kosten kennt nur, wer sie abgerechnet hat.
• Support: Fehlerbilder und ihre tatsächliche Häufigkeit sind hochspezifisches Wissen.
• Sales-Cycle: Wie lange eine Entscheidung wirklich dauert und wer mitentscheidet, ist belastbares Erstdatum.

Ein Publisher kann darüber schreiben. Ein Hersteller kann es messen. Dieser Unterschied ist im Modell des Patents genau der, der über Rang entscheidet – und er ist der Grund, warum Content-Produktion ohne Zugriff auf Fachabteilungen selten Gewinn erzeugt.

Beobachtung aus unserer eigenen Search Console

Ein Beispiel für Erstdaten aus dem eigenen Haus: In der Search Console von riveronline.de tauchen im Zeitraum 18.06. bis 15.09.2026 rund fünfzehn Suchanfragen auf, die keine Suchanfragen sind, sondern ausformulierte Prompts.

Sie lesen sich wie Aufträge an einen Assistenten, etwa: „als vertriebsleiter eines energieunternehmens, welche plattformen eignen sich für b2b-kundenmanagement bei energieprojekten?“ – verzeichnet auf Position 1. Oder: „aeo oder klassisches seo – welche strategie priorisieren im b2b-mittelstand?“.

Alle haben ein bis drei Impressionen. Volumen spielt hier keine Rolle, das Muster schon: Es sind Fragen, die niemand in ein Suchfeld tippt, sondern die ein Modell im Auftrag einer Person stellt.

Der Zusammenhang zum Thema: Solche Anfragen sind lang, kontextreich und lassen sich nicht durch Konsensantworten bedienen. Sie belohnen genau die Inhalte, die eine Position beziehen, statt sie zu referieren.

Information Gain und KI-Antworten

Generative Systeme haben dasselbe Redundanzproblem wie eine Ergebnisliste. Wer aus fünf Quellen zitiert, die dasselbe sagen, gewinnt nichts – vier davon sind Ballast.

Für Zitierfähigkeit in AI Overviews, ChatGPT oder Perplexity gilt deshalb dieselbe Logik in verschärfter Form: Zitiert wird, was sich nicht aus den anderen Quellen ableiten lässt. Eine eigene Zahl, ein eigener Fall, eine klare Gegenposition. Wie du misst, ob du zitiert wirst, zeigt unser Leitfaden KI-Sichtbarkeit messen.

Der übliche Reflex, KI-Texte als Rohmaterial für Content zu verwenden, arbeitet direkt dagegen: Sprachmodelle erzeugen von Haus aus die Mitte der Verteilung – also exakt den Konsens, von dem man sich entfernen müsste.

So baut man Information Gain in die Redaktion ein

Aus der Patentlogik, den Leak-Attributen und Googles eigener Dokumentation ergibt sich ein Ablauf, der sich in bestehende Prozesse einfügt:

1. Konsens erfassen: Top 5 lesen und die Aussagen notieren, die alle machen. Das ist der Nullpunkt, nicht der eigene Text.
2. Zwei Lücken schließen: Mindestens zwei Aussagen, Entitäten oder Datenpunkte ergänzen, die im Konsens nicht vorkommen.
3. Erstdaten holen: Ein Termin mit Vertrieb, Support oder Technik ersetzt drei Stunden Recherche.
4. Aufwand sichtbar machen: Eigene Grafik, Rechner oder Tabelle statt Stockbild.
5. Position beziehen: Wo die Branche sich einig ist, ist begründeter Widerspruch der größte Gewinn.
6. Nachschärfen terminieren: Was heute neu ist, ist in sechs Monaten Standard. Bestehende Artikel gehören in den Redaktionsplan.

Messbar wird das Ergebnis nicht am Score – den sieht niemand –, sondern an drei Indikatoren: Rankings gegen starke Wettbewerber ohne neue Backlinks, Zitierungen in KI-Antworten und die Frage, ob Fachleute den Beitrag weiterleiten.

Häufige Fehler

Die meisten Fehler entstehen, wenn Information Gain wie eine klassische Textmetrik behandelt wird.

• Information Gain als Textlänge missverstehen. Länge erzeugt Redundanz, nicht Gewinn.
• Den Score als bestätigten Rankingfaktor verkaufen. Er ist eine Rekonstruktion aus Patent und Leak.
• Einmal optimieren und abhaken. Der Schwerpunkt verschiebt sich, sobald andere nachziehen.
• Erstdaten im PDF verstecken. Was nicht als HTML im Index steht, kann nicht bewertet werden.

Fazit

Information Gain ist kein Werkzeug und kein bestätigter Rankingfaktor. Es ist ein Denkmodell, das eine unbequeme Frage in den Mittelpunkt stellt: Was steht in diesem Text, das nirgendwo sonst steht?

Für B2B-Unternehmen ist die Antwort meist im Haus vorhanden – in Vertrieb, Projekten und Support. Sie muss nur den Weg in den Content finden, statt durch die fünfte Zusammenfassung fremder Inhalte ersetzt zu werden. Wo diese Erstdaten bei dir liegen, finden wir gern gemeinsam heraus, am besten im kostenlosen Erstgespräch.