Multimodale Suche
Auch: Multimodal Search, Multisearch
Multimodale Suche heißt, dass eine Suche mehrere Eingabearten gleichzeitig versteht: Text, Foto, Bildschirmausschnitt, gesprochene Sprache oder Live-Kamera. Typisch ist ein Foto plus Frage, etwa „Wo bekomme ich dieses Ersatzteil?“, auf die das System mit einer Antwort und Links reagiert.
Fachleute nutzen den Begriff, die Suchnachfrage wächst. Jetzt verstehen lohnt sich.
Bilder als Suchanfrage gibt es seit Google Lens (2017). Als Leitbegriff für die KI-Suche führte Google „multimodal“ im Mai 2021 mit dem Sprachmodell MUM ein, das Text und Bilder gemeinsam versteht; die Kombisuche aus Foto und Text folgte im April 2022.
Ø der letzten 12 Monate, alle Schreibweisen. Veränderung: letzte 3 Monate zum Vorjahr. Stand 11/2026.
Die Fähigkeit ist echt und täglich nutzbar, Lens allein verarbeitet Milliarden Bildsuchen im Monat. Als „SEO-Trend“ wird der Begriff aber oft aufgeblasen: Google selbst sagt, wer gute Bilder- und Video-SEO betreibt, optimiert bereits dafür.
Kunden fotografieren zunehmend das, was sie suchen, statt es zu beschreiben: Ihre Produkte müssen deshalb auch über Bilder eindeutig erkennbar und zuzuordnen sein, sonst landet die Anfrage beim Wettbewerber mit den besseren Produktfotos und Daten.
- Fotografieren Sie drei Ihrer Produkte so, wie ein Kunde es tun würde, und suchen Sie damit in Google Lens und im KI-Modus. Notieren Sie, ob Ihre Website, ein Händler oder ein Wettbewerber erscheint.
- Prüfen Sie Ihre wichtigsten Produkt- und Leistungsseiten auf eigene, scharfe Fotos, aussagekräftige Dateinamen und Alternativtexte. Der Alt-Text-Generator hilft bei den fehlenden.
- Stellen Sie sicher, dass Modellnummern, Maße und Typbezeichnungen als Text auf der Seite stehen und nicht nur im Bild oder im PDF-Datenblatt.
Eine Suche begann lange mit Tippen. Heute beginnt sie oft mit der Kamera: Ein Handwerker fotografiert ein defektes Bauteil, eine Einkäuferin markiert ein Produkt in einem Video, ein Kunde fragt laut, während er auf ein Etikett zeigt. Multimodale Suche bedeutet, dass das System all diese Eingaben versteht und miteinander verbindet, zum Beispiel ein Foto und eine Textfrage in einer Anfrage.
Google beschrieb die Entwicklung im Mai 2025 so: Menschen stellten der Suche „more complex, longer and multimodal questions“. Für Unternehmen ist das kein Zukunftsthema, sondern eine Frage, ob ihre Produkte im Bild erkennbar und im Text eindeutig beschrieben sind.
Welche Eingaben sich kombinieren lassen
„Modalität“ meint die Art einer Information: geschriebener Text, Bild, gesprochene Sprache, Video. Eine multimodale Suche nimmt mehrere davon auf einmal an. Die wichtigsten Kombinationen in der Google-Suche:
| Eingabe | Beispiel | Funktion |
|---|---|---|
| Foto plus Text | Bild eines Kleids plus „in Grün“ | Kombisuche (Multisearch) in Google Lens |
| Bildschirmausschnitt | Produkt in einem Video einkreisen | Circle to Search auf Android |
| Foto plus Frage | Bild hochladen und eine Frage dazu stellen | KI-Modus |
| Stimme plus Live-Kamera | Kamera auf ein Gerät halten und laut fragen | Search Live |
Auch die Antwort wird multimodal: Google schreibt im Leitfaden für generative KI-Funktionen, dass die KI-Funktionen relevante Bilder und Videos einbeziehen können und eine Website deshalb nicht nur über Textlinks erscheinen kann.
Wie die Bildsuche zur KI-Suche wurde
Die multimodale Suche ist schrittweise gewachsen. Die wichtigsten Stationen bei Google und OpenAI:
- Mai 2017: Google stellt Lens als kamerabasierte Erkennung vor.
- Mai 2021: Google kündigt MUM an, ein Modell, das laut Google „multimodal“ ist und Text und Bilder gemeinsam versteht.
- April 2022: Die Kombisuche aus Foto und Text startet als englischsprachige Beta in den USA (Google-Blog).
- September 2023: ChatGPT kann Bilder auswerten und per Sprache antworten, zunächst für zahlende Nutzer.
- Oktober 2025: Der KI-Modus startet in Deutschland mit Eingabe per Text, Sprache und Kamera.
- Februar 2026: Circle to Search erkennt mehrere Objekte in einem Bild und sucht mit einem „visual query fan-out“ parallel nach jedem davon.
Den letzten Schritt kennen Sie vom Text: Beim Query Fan-out zerlegt Google eine Frage in Teilsuchen. Bei Bildern schneidet das Modell nun die wichtigen Bildbereiche aus und sucht zu jedem einzeln. Ein Foto wird so zu mehreren Suchanfragen.
Wie groß dieser Kanal inzwischen ist, zeigen Googles eigene Angaben: Im Oktober 2024 nannte das Unternehmen fast 20 Milliarden visuelle Suchen pro Monat über Lens, im Mai 2025 mehr als 1,5 Milliarden Menschen, die Lens monatlich nutzen. Zahlen nur für Deutschland veröffentlicht Google nicht. Die Größenordnung genügt aber, um Bilder als eigenen Einstieg in die Suche ernst zu nehmen.
Was eine Website für Bild-Anfragen braucht
Eine multimodale Suche muss das Foto des Nutzers mit Inhalten im Index zusammenbringen. Das gelingt nur, wenn diese Inhalte selbst gut erkennbar und eindeutig beschriftet sind.
Ein Beispiel aus dem Sanitärhandel
Die folgende Situation ist eine Veranschaulichung. Ein Installateur fotografiert beim Kunden eine undichte Armatur und fragt: „Welche Kartusche passt hier?“ Die Antwort erkennt Hersteller und Baureihe und verlinkt zwei Händler. Ein Großhändler mit derselben Kartusche im Sortiment fehlt: Seine Produktseite zeigt nur ein Herstellerbild ohne Baureihe im Text, die Typnummer steht ausschließlich im PDF.
- Eigene, scharfe Produktfotos aus mehreren Blickwinkeln, auch im Einbauzustand.
- Typbezeichnung, Maße, Kompatibilität als Fließtext, nicht nur im Bild oder Datenblatt.
- Alternativtexte und Bildunterschriften, die beschreiben, was zu sehen ist.
- Produktdaten im Merchant Center, damit Angebote mit Preis und Verfügbarkeit zugeordnet werden können.
Kein neues Handwerk: Google schreibt, wer die bestehenden Empfehlungen zu Bilder-SEO und Video-SEO befolgt, optimiert bereits für die Suche mit generativer KI. Ein spezielles „multimodales Markup“ gibt es nicht.
Abgrenzung: Suche, Modell und Funktion
Der Begriff wird oft unscharf verwendet. Drei Ebenen lohnt es zu trennen:
- Das multimodale Modell ist die Technik, ein Sprachmodell, das Bilder, Ton oder Video verarbeitet.
- Die multimodale Suche ist das Nutzungsmuster: Eine Suchanfrage besteht aus mehr als Text.
- Lens, Circle to Search und Search Live sind konkrete Produkte, die dieses Muster in der Google-Suche umsetzen.
Für die Messung bedeutet das wenig Neues, aber eine Lücke: Wie viele Ihrer Besuche aus einer Bild- oder Kamerasuche stammen, weist die Search Console nicht gesondert aus. Ein guter Ersatzindikator ist der Leistungsbericht mit dem Suchtyp „Bild“, ergänzt um eigene Stichproben mit Lens. Wie Ihre Website in KI-Antworten insgesamt dasteht, zeigt der KI-Website-Check.
- Google-Blog: MUM: A new AI milestone for understanding information (18. Mai 2021)
- Google-Blog: Go beyond the search box: Introducing multisearch (7. April 2022)
- Google-Blog: See the whole picture and find the look with Circle to Search (25. Februar 2026)
- Google-Blog Deutschland: Der KI-Modus startet in Deutschland, Österreich und der Schweiz (8. Oktober 2025)
- Google Search Central: Website für generative KI-Funktionen in der Google Suche optimieren
- OpenAI: ChatGPT can now see, hear, and speak (25. September 2023)
Was ChatGPT, Perplexity und der Google KI-Modus zu „Multimodale Suche“ sagen
Wir haben allen drei KI-Suchen dieselbe Frage gestellt: „Was ist Multimodale Suche im Zusammenhang mit KI-Suche und Online-Marketing? Bitte kurz in 3 bis 5 Sätzen erklären.“ (Abfrage am 08.11.2026, Standort Deutschland) und die Antworten gegen die belegten Fakten in diesem Eintrag geprüft.
Definition und Beispiel stimmen. Der Ratschlag legt den Schwerpunkt aber auf Beschreibungen und Metadaten; multimodale Modelle werten den Bildinhalt selbst aus, entscheidend sind deshalb auch eigene, erkennbare Fotos. Die Herkunft bei Google (MUM, Lens) fehlt.
Auszug aus der Antwort
Für das Online-Marketing bedeutet das, dass Unternehmen ihre Inhalte nicht mehr nur für Textsuchanfragen optimieren sollten, sondern auch Bilder, Videos und Audio durch aussagekräftige Beschreibungen und Metadaten auffindbar machen müssen.
Knapp und richtig, einschließlich der praktischen Folgen für Alt-Texte und Produktdaten. Primärquellen von Google fehlen, zitiert werden Glossare von Agenturen und Tool-Anbietern.
Auszug aus der Antwort
Multimodale Suche bedeutet, dass KI-Suchsysteme mehrere Eingabeformen wie Text, Bilder, Sprache und Videos gleichzeitig verstehen und miteinander verknüpfen können.
Das Beispiel entspricht Googles eigener Kombisuche-Demo und ist treffend. Von einem „Paradigmenwechsel“ spricht Google selbst nicht, sondern davon, dass gute Bilder-SEO bereits genügt. Ausgerechnet die eigene Search-Central-Dokumentation zitiert die Antwort nicht, stattdessen LinkedIn und Agenturblogs.
Auszug aus der Antwort
Für das Online-Marketing bedeutet das einen Paradigmenwechsel: Inhalte müssen nicht mehr nur für klassische Suchbegriffe optimiert werden
Unser Fazit: Die Grundidee erklären alle drei richtig. Gemeinsam fehlt die Einordnung, dass Google keine Sonderoptimierung verlangt, und die Herkunft des Begriffs bei MUM und Lens. Vorsicht bei Ratgebern, die multimodale Suche als völlig neue Disziplin verkaufen.
Die Antworten von KI-Suchen ändern sich laufend. Wir wiederholen den Faktencheck regelmäßig. Sie möchten wissen, welche Quellen die KI zu Ihren Themen zitiert? Testen Sie den kostenlosen KI-Quellen-Check.
Häufige Fragen zu Multimodale Suche
Funktioniert die multimodale Suche auch auf Deutsch?
Muss ich meine Bilder für KI-Suchen anders optimieren als für die Bildersuche?
Lohnt sich das auch für Dienstleister ohne Produkte?
Was ist der Unterschied zwischen multimodaler Suche und Google Lens?
Verwandte Begriffe im Radar
Zurück zum KI-Such-RadarZuletzt aktualisiert: 08.11.2026 · Autor: Stephan Zabel
