Was bedeutet multimodal?
Eine Modalität ist eine Art von Information: geschriebener Text, ein Foto, gesprochene Sprache, ein Video. Multimodal ist eine KI, die mehrere davon gemeinsam versteht. Du zeigst ihr ein Foto deines kaputten Fahrradschlauchs und fragst per Stimme, welches Ersatzteil du brauchst — sie verbindet beides zu einer Antwort.
Früher hat man dafür getrennte Programme hintereinandergeschaltet: eins für Sprache, eins für Text, eins für Bilder. Heute sind die großen Modelle nativ multimodal. Google schrieb 2023 über Gemini, es sei „built from the ground up to be multimodal“ — von Grund auf für Text, Code, Audio, Bild und Video gebaut. Auch GPT-4o verarbeitet laut OpenAI jede Kombination dieser Eingaben in einem einzigen Netz.
Multimodale Suche: So fragen Menschen heute
Für dein Marketing ist die Suche der spannende Teil. Google baut sie seit Jahren in diese Richtung um:
- Google Lens: Kamera auf ein Produkt halten und ähnliche finden.
- Circle to Search: auf dem Android-Bildschirm etwas einkreisen und danach suchen.
- KI-Modus: Foto hochladen oder per Mikrofon fragen, seit Oktober 2025 auch auf Deutsch.
- Search Live: seit März 2026 im deutschsprachigen Raum ein Gespräch mit der Suche, per Stimme und Kamera in Echtzeit.
Zeitpunkt
Visuelle Suchen / Monat
Oktober 2024
knapp 20 Mrd.
April 2025
rund 25 Mrd.
Oktober 2026
über 50 Mrd.
Die Werte stammen aus Google-Blogbeiträgen und Quartalsberichten von Alphabet; 2024 und 2025 nennt Google ausdrücklich Lens, 2026 allgemein visuelle Suchen. Dazu kommt: Im Oktober 2026 nutzte laut Alphabet jede fünfte Suche im KI-Modus Sprache, Bilder oder Dokumente statt nur getippten Text.
Wo es für dich konkret wird
Case A · Shopping
Kaufen per Kamera
20 %
der Lens-Suchen mit Shopping-Bezug
1,5 Mrd.
Lens-Nutzer pro Monat
Produktfotos werden zur Suchanfrage
Google-Angaben von Oktober 2024 und Mai 2025. Shopping-Anzeigen erscheinen auch in Lens-Ergebnissen.
Case B · KI-Modus
Fragen mit Bild und Stimme
1 von 5
KI-Modus-Suchen nicht nur Text
3 ×
so lang wie klassische Suchen
Längere, reichere Fragen
Alphabet, Quartalsbericht Oktober 2026. Die Fragen werden genauer — deine Inhalte müssen es auch sein.
So bereitest du deine Inhalte vor
Die gute Nachricht: Eine Spezial-Optimierung gibt es nicht. Google schreibt selbst, für AI Overviews und den KI-Modus brauche es keine zusätzlichen Anforderungen. Was zählt, sind die Grundlagen — nur werden Bilder und Videos jetzt wichtiger.
- Eigene Fotos statt Stockbilder: Lens vergleicht reale Fotos mit Bildern im Netz. Eindeutige Produktfotos lassen sich besser zuordnen — das ist unsere Einschätzung, keine Google-Aussage.
- Alt-Texte, die beschreiben: Google nutzt Alt-Text zusammen mit Bilderkennung und dem Seiteninhalt.
- Sprechende Dateinamen: „schwarzer-wanderrucksack-30l.jpg“ statt „IMG00023.JPG“.
- Bilder nahe am passenden Text: Das Umfeld erklärt, was zu sehen ist.
- Produktdaten pflegen: Merchant Center und Unternehmensprofil aktuell halten.
- Video ergänzen: Google empfiehlt, Text mit hochwertigen Bildern und Videos zu ergänzen.
Häufige Fehler
Fehler 1 · Multimodal mit Bildgenerator verwechseln
Ein multimodales Modell muss keine Bilder erzeugen können. Es geht zuerst ums Verstehen verschiedener Eingaben. Bildgeneratoren sind ein anderes Thema.
Fehler 2 · Alt-Text als Keyword-Ablage
„Rucksack Wanderrucksack günstig kaufen Rucksack“ hilft niemandem. Google nennt Keyword-Listen im Alt-Attribut ausdrücklich als schlechtes Beispiel. Beschreib, was zu sehen ist.
Fehler 3 · Auf ein Spezial-Schema hoffen
Es gibt kein Markup, das dich in Lens oder den KI-Modus bringt. Strukturierte Daten helfen weiter, wenn sie zum sichtbaren Inhalt passen. Ein Zaubertrick sind sie nicht.
Fehler 4 · Mit multimodalem Marketing verwechseln
Im Marketing steht „multimodal“ manchmal für mehrere Kanäle, also eher Omnichannel. In der KI meint es Datenarten in einem Modell. Gleiche Silbe, anderes Thema.
Häufige Fragen
Ist ChatGPT multimodal?
Ja. Die aktuellen Modelle von OpenAI verstehen Text, Bilder und Sprache. Das gilt auch für Gemini von Google und Claude von Anthropic, wobei Claude Bilder nur versteht und keine erzeugt.
Was ist der Unterschied zwischen Google Lens und Circle to Search?
Lens sucht über die Kamera oder ein Foto. Circle to Search funktioniert direkt auf dem Bildschirm eines Android-Geräts: Du kreist ein, was du gerade siehst, ohne die App zu wechseln. Beides läuft auf dieselbe visuelle Suche hinaus.
Gibt es Search Live in Deutschland?
Ja, seit März 2026. Du findest es in der Google-App über das Live-Symbol unter der Suchleiste oder in Lens. Dort fragst du per Stimme und zeigst der Suche mit der Kamera, worum es geht.
Brauche ich für multimodale Suche spezielles Schema?
Nein. Laut Google gibt es für AI Overviews und den KI-Modus keine Sonderanforderungen. Gute Bilder, beschreibende Alt-Texte, passende strukturierte Daten und gepflegte Produktdaten reichen.
Lohnt sich das auch für Dienstleister ohne Produkte?
Ja, nur anders. Menschen fotografieren auch Probleme: den Schimmel an der Wand, die defekte Heizung, das Unkraut im Rasen. Wer zu solchen Fragen gute Bilder und klare Erklärungen hat, wird eher als Antwort gezeigt.
