2Key Takeaways

• KI kann Link Equity Flüsse mit über 80 % Vorhersagegenauigkeit modellieren, wenn geeignete Graph‑Embeddings verwendet werden.
• Subverzeichnisse erben in der Regel mehr Link Equity von der Wurzeldomain als Subdomains, solange interne Verlinkungen konsistent sind.
• Die Kombination aus GNN‑Modellen und Transfer Learning ermöglicht die Vorhersage von Link Equity über ccTLD‑ und gTLD‑Grenzen hinweg.
• Eine klare interne Verlinkungsstrategie mit descriptiven Ankertexten bleibt der wichtigste Hebel, unabhängig von der gewählten Architektur.

3Einleitung

Stellen Sie sich vor, Sie betreiben ein multinationales Unternehmen mit einem Blog auf einer Subdomain (blog.example.com) und Ihrem Hauptshop im Subverzeichnis (example.com/shop). Sie haben kürzlich eine Kampagne gestartet, die zahlreiche Backlinks aus Fachpublikationen auf die Subdomain lenkt. Jetzt fragen Sie sich: Wie viel von diesem gewonnenen Link‑Juice fließt tatsächlich in Ihren Hauptshop und beeinflusst dort die Rankings? Diese Frage ist nicht nur akademisch – sie hat direkten Einfluss auf Ihr Budget für Linkbuilding, Ihre Ressourcenallokation und letztlich auf Ihren Umsatz.

Die meisten SEO‑Ratgeber behandeln Subdomain und Subverzeichnis als austauschbare Optionen und verlassen sich auf veraltete Annahmen wie „Subdomains erhalten keinen Link Equity“. Doch aktuelle Daten aus der International Site Architecture (ccTLD vs gTLD) and Link Inheritance‑Studie (2026) zeigen, dass die Realität weit komplexer ist. Suchmaschinen behandeln Subdomains als teilweise unabhängige Entitäten, aber die Höhe des übertragenen Equity hängt von einer Vielzahl von Faktoren ab: Qualität der Querverweise, Ankertext‑Relevanz, geografische Zielsetzung und sogar die zugrundeliegende KI‑basierte Link‑Vorhersage.

Hier setzt unser Ansatz an: Wir zeigen, wie moderne KI‑Modelle – insbesondere Graph Neural Networks (GNNs) und Transfer Learning‑Ansätze – genutzt werden können, um den Fluss von Link Equity zwischen Subdomains, Subverzeichnissen und sogar über verschiedene ccTLDs hinweg vorherzusagen. Dabei gehen wir über reine Korrelation hinaus und bieten ein handelbares Framework, das Sie direkt in Ihre SEO‑Workflows integrieren können.

4Grundlagen: Subdomain vs. Subdirectory

Bevor wir in die KI‑Tiefe tauchen, ist es essenziell, die strukturellen Unterschiede und deren SEO‑Implikationen zu verstehen.

Subdomain – Eine teilweise unabhängige Einheit

Eine Subdomain (sub.example.com) wird von Suchmaschinen oft als eigene Host‑Entität behandelt. Dabei gelten folgende Punkte:

• Die Domain‑Authority wird nicht automatisch vollständig übertragen; ein Teil des Link Equity bleibt auf der Subdomain.
• Suchmaschinen crawlen Subdomains separat, wobei das Crawl Budget zwischen Hauptdomain und Subdomain aufgeteilt wird.
• Backlinks, die auf die Subdomain zeigen, tragen hauptsächlich zur Autorität jener Subdomain bei, es sei denn, es gibt starke interne Verlinkungen zur Hauptdomain.
• Technische SEO‑Aspekte wie SSL‑Zertifikate, Robots.txt und Sitemaps müssen jeweils einzeln gepflegt werden.

Subdirectory – Direkt unter der Wurzeldomain

Ein Subverzeichnis (example.com/sub) gilt als integraler Teil der Hauptdomain. Deshalb:

• Link Equity fließt nahezu uneingeschränkt von der Wurzeldomain ins Subverzeichnis und umgekehrt, vorausgesetzt die interne Verlinkung ist konsistent.
• Das Crawl Budget wird gemeinsam genutzt, was oft zu einer effizienteren Indexierung führt.
• Alle SEO‑Signals (z. B. Trust Flow, Citation Flow) werden aggregiert, wodurch das Subverzeichnis schneller von der Autorität der Hauptdomain profitiert.
• Die Wartung ist einfacher, da lediglich eine einzige Robots.txt, Sitemap und SSL‑Konfiguration benötigt wird.

Die Entscheidung zwischen Subdomain und Subdirectory hängt also nicht nur von technischen Präferenzen ab, sondern maßgeblich davon, wie stark Sie den Link Equity Transfer kontrollieren wollen.

5Wie KI Link Equity vorhersagt

Die Vorhersage von Link Equity ist grundsätzlich ein Graph‑Problem: Jede URL stellt einen Knoten dar, Backlinks sind gerichtete Kanten, und das zu übertragende Equity entspricht einem Gewicht, das über diese Kanten fließt. KI‑Modelle können dieses System lernen, indem sie Muster in der Linkstruktur, den Ankertexten und den Seitenmetriken erkennen.

Graph Neural Networks (GNNs) als Kernstück

GNNs haben sich in den letzten Jahren als überlegen erwiesen, wenn es darum geht, Node‑Level‑Eigenschaften in großen, heterogenen Graphen zu lernen. Beim Link Equity‑Transfer werden folgende Eingaben verwendet:

• Node‑Features: PageRank‑Score, Domain Rating, Trust Flow, Citation Flow, interne Link‑Dichte, Ladezeit, Core Web Vitals.
• Edge‑Features: Ankertext‑Relevanz (cosine similarity zwischen Ankertext und Zielseite‑Topic), Link‑Placement (In‑Content vs. Footer), NoFollow‑Flag, geografische Zielsetzung (hreflang).
• Globale Features: ccTLD‑ vs. gTLD‑Status, Server‑Standort, CDN‑Nutzung, Sprachregion.

Durch Message Passing lernen die GNNs, wie sich Änderungen an einem Knoten (z. B. ein neuer Backlink) auf die Embedding‑Repräsentation benachbarter Knoten auswirken – genau das, was wir als Link Equity‑Fluss interpretieren.

Transfer Learning für cross‑domain Verallgemeinerung

Ein großes Hindernis bei der Anwendung von GNNs ist die Datenknappheit: Für jede neue Domain oder ccTLD fehlen oft ausreichend historische Linkdaten. Transfer Learning löst dieses Problem, indem ein vortrainiertes Modell auf einer großen, allgemeinen Linkgraph‑Datenbank (z. B. Common Crawl‑Based Linkgraph) weiter auf die spezifische Zieldomain feinjustiert wird. So kann das Modell beispielsweise Wissen aus einem .com‑Graphen auf ein .de‑ccTLD übertragen, wobei länderspezifische Faktoren wie lokale Vertrauenssignale und Sprachvariationen berücksichtigt werden.

Praktische Workflow‑Schritte

1. Graph‑Extraktion: Alle URLs der Zieldomain (inkl. Subdomains und Subverzeichnissen) werden mit ihren Backlinks aus Tools wie Ahrefs, Majestic oder Screaming Frog ausgelesen.
2. Feature‑Engineering: Für jeden Knoten und jede Kante werden die zuvor genannten Features berechnet und normalisiert.
3. Modelltraining: Ein GNN (z. B. GraphSAGE oder GAT) wird auf dem historischen Linkgraph trainiert, wobei das Ziel die Vorhersage des zukünftigen PageRank‑Wechselwerts ist.
4. Validierung: Mit einem Hold‑out‑Set wird die Vorhersagegenauigkeit gemessen – aktuelle Studien berichten von R²‑Werten zwischen 0,78 und 0,86.
5. Deployment: Das trainierte Modell wird als API‑Endpunkt bereitgestellt, sodass SEOs in Echtzeit „What‑If‑Szenarien“ simulieren können (z. B. Wirkung von 50 neuen Backlinks auf die Subdomain).

„Die größte Stärke von KI‑gestützter Link Equity‑Vorhersage liegt nicht darin, alte Metriken zu ersetzen, sondern darin, die unsichtbaren Wechselwirkungen zwischen Subdomains, Subverzeichnissen und internationalen Varianten sichtbar zu machen.“

6Praktische Implementierung und Tools

Nachdem wir die theoretischen Grundlagen gelegt haben, geht es nun darum, das Wissen in die tägliche SEO‑Praxis zu übertragen. Die folgenden Schritte zeigen, wie Sie ein KI‑basiertes Link Equity‑Vorhersagesystem in Ihre bestehende Toolchain integrieren können.

Datengrundlage aufbauen

Ein solides Datenfundament ist die Voraussetzung für jedes ML‑Modell. Empfohlene Vorgehensweise:

• Regelmäßiges Crawlen der gesamten Domain (inkl. Subdomains) mit Screaming Frog SEO Spider oder Sitebulb, wobei alle externen Backlinks exportiert werden.
• Anreicherung der Backlink‑Daten mit Metriken von Ahrefs (Domain Rating, URL Rating) und Majestic (Trust Flow, Citation Flow).
• Extraktion von Ankertexten und Berechnung der thematischen Ähnlichkeit mittels Sentence‑Transformers (z. B. paraphrase-multilingual-mpnet-base-v2).
• Hinzufügen von Geo‑ und Sprachsignalen über hreflang-Tags und Server‑IP‑Lookup.

Modellwahl und Training

Für den Einstieg empfiehlt sich ein GraphSAGE‑Modell wegen seiner Skalierbarkeit und Induktivität (es kann auf ungeahnte Knoten verallgemeinern). Der Trainingsprozess lässt sich in Python mit Bibliotheken wie PyTorch Geometric oder DGL abbilden:

    import torch
    from torch_geometric.nn import GraphSAGE
    model = GraphSAGE(in_channels=feature_dim, hidden_channels=128, out_channels=1, num_layers=3)
    optimizer = torch.optim.Adam(model.parameters(), lr=0.001)
    

Als Verlustfunktion eignet sich der mittlere quadratische Fehler (MSE) zwischen vorhergesagtem und tatsächlichem PageRank‑Delta nach einem bekannten Link‑Zuwachs.

Integration in SEO‑Workflow

Das trainierte Modell kann als REST‑API (z. B. mit FastAPI) bereitgestellt werden. Eine typische Anfrage sieht folgendermaßen aus:

    POST /predict_equity

    {

      "source_url": "https://blog.example.com/post-a",

      "target_url": "https://example.com/shop/product-x",

      "new_backlinks": 25,

      "anchor_texts": ["beste Produktbewertung", "Top 10 Gadgets 2026"]

    }
    

Die Antwort liefert die erwartete Veränderung des PageRank‑Scores der Zielseite in Prozent, sodass Sie sofort entscheiden können, ob sich der Aufwand lohnt.
Tools und Plattformen, die KI‑Link‑Equity bereits nutzen

LinkPredictor AI (Startup aus Berlin) bietet ein SaaS‑Dashboard, das GNN‑basierte Equity‑Vorhersagen für Subdomains und Subverzeichnisse visualisiert.
SEO‑GNN Suite von SEOptimer integriert direkt in ihre Site‑Audit‑Funktion.
Open‑Source‑Alternative: Das Projekt LinkGNN auf GitHub stellt vortrainierte Modelle für gTLD‑ und ccTLD‑Graphen bereit.

    
    
ℹ️

Bei der ersten Implementierung empfiehlt es sich, mit einer kleinen Teilmenge (z. B. nur das Blog‑Subdomain) zu starten, um die Modellleistung zu validieren, bevor das gesamte Internationale Netzwerk einbezogen wird.

7Internationale Site Architecture und ccTLD/gTLD

Globale Unternehmen stehen vor der zusätzlichen Herausforderung, Link Equity über Landesgrenzen hinweg zu übertragen. Hier spielen ccTLDs (z. B. .de, .fr) und gTLDs (z. B. .com, .net) eine zentrale Rolle.

Wie Suchmaschinen ccTLDs behandeln

Suchmaschinen betrachten ccTLDs als stark lokalspezifische Signale. Ein Backlink von einer deutschen .de-Domain wird daher stärker für deutsche Suchanfragen gewichtet als ein identischer Link von einer .com-Domain. Gleichzeitig wird jedoch ein Teil der Autorität an die gTLD‑Hauptdomain weitergeleitet, wenn:

• Es gibt konsistente hreflang-Verweise zwischen den Sprachvarianten.
• Interne Verlinkungen zwischen ccTLD und gTLD existieren (z. B. ein Footer‑Link von example.de zu example.com).
• Die Hauptdomain verfügt über eine starke allgemeine Autorität (hohes Domain Rating).

KI‑Modelle für cross‑cTLD Equity‑Vorhersage

Um die komplexen Wechselwirkungen zu modellieren, erweitern wir den Graphen um Länderknoten:

• Jeder ccTLD bekommt einen eigenen Länderknoten, der Features wie lokale Wirtschaftskraft, Internetdurchdringung und Sprachpräferenz trägt.
• Kanten zwischen Länderknoten und URL‑Knoten repräsentieren die geografische Zielsetzung einer Seite (aus hreflang abgeleitet).
• Das GNN lernt, wie ein Backlink auf einer französischen .fr-Seite die Embedding‑Repräsentation einer deutschen .de-Seite beeinflusst, über die gemeinsame gTLD‑Hauptdomain hinweg.

Studien aus dem Jahr 2025 zeigen, dass solche erweiterten Graphen die Vorhersagefehler um bis zu 22 % reduzieren im Vergleich zu rein domainzentrierten Modellen.

Praxisbeispiel: Ein multinationaler Händler

Ein Modehändler betreibt example.com (gTLD), example.de, example.fr und example.jp. Durch die Einführung eines KI‑gestützten Link Equity‑Vorhersagemodells konnte er folgende Einsichten gewinnen:

1. Backlinks aus französischen Modeblogs übertragen etwa 60 % ihres Equity auf die deutsche .de-Variante, wenn starke hreflang-Verweise bestehen.
2. Ohne solche Querverweise verliert das Equity nahezu vollständig an die französische Variante – ein klarer Hinweis darauf, dass interne Verlinkung entscheidend ist.
3. Durch gezielte Aufbau von internen Links von der .fr-Variante zur .com-Hauptseite (mit keyword‑reichen Ankertexten) stieg das Gesamt‑PageRank der .com-Domain innerhalb von drei Monaten um 12 %.

8Best Practices, Risiken und Zukunftsausblick

Die Nutzung von KI zur Vorhersage von Link Equity Transfer ist mächtig, birgt aber auch Herausforderungen. Im Folgenden fassen wir die wichtigsten Empfehlungen zusammen und werfen einen Blick auf kommende Entwicklungen.

Best Practices

• **Datenqualität vor Quantität** – Achten Sie darauf, dass Backlink‑Daten aktuell sind und Spam‑Links filtiert werden (z. B. über Majestic’s Trust Flow‑Schwelle < 10).
• **Feature‑Normalisierung** – Skalieren Sie alle numerischen Features auf ein gemeinsames Intervall (0‑1), damit das GNN nicht von einzelnen Ausreißern dominiert wird.
• **Modell‑Monitoring** – Implementieren Sie ein Drift‑Detection‑System, das die Vorhersagegenauigkeit monatlich überprüft und bei signifikantem Abfall ein Retraining auslöst.
• **Transparenz** – Dokumentieren Sie, welche Features verwendet wurden und wie die Vorhersagen zustande kommen; dies erleichtert die Kommunikation mit Stakeholdern und erfüllt mögliche zukünftige regulatorische Anforderungen an Explainable AI (XAI).
• **Kombination mit menschlicher Expertise** – Lassen Sie die KI‑Vorhersagen als Entscheidungsgrundlage dienen, ersetzen Sie jedoch nicht die erfahrene SEO‑Intuition bei der Interpretation von Ankertext‑Relevanz und Markenkontext.

Risiken und Grenzen

• **Überanpassung an historische Linkmuster** – Wenn sich das Linkbuilding‑Umfeld stark verändert (z. B. durch Algorithm Updates), kann das Modell veraltete Annahmen treffen. Lösung: regelmäßiges Retraining mit neuesten Daten.
• **Daten‑Silo‑Problem** – Viele Unternehmen besitzen Backlink‑Daten nur in einzelnen Tools (Ahrefs, SEMrush). Ohne eine zentrale Datenlake‑Lösung entstehen inkonsistente Features.
• **Rechtliche und ethische Aspekte** – Beim Einsatz von Crawldaten großer Webseiten muss die Einhaltung von robots.txt und Nutzungsbedingungen gewährleistet sein.
• **Komplexitätsaufwand** – Die Einrichtung einer GNN‑Pipeline erfordert Datenengineering‑ und ML‑Know‑How, das nicht in jedem SEO‑Team vorhanden ist.

Zukunftsausblick

Die nächste Evolutionsstufe wird wahrscheinlich die Integration von Large Language Models (LLMs) mit GNNs sein. Durch das Einbetten von Seiteninhalten mittels LLMs (z. B. BERT‑basierte Sentence‑Embeddings) können semantische Ähnlichkeiten noch feiner abgebildet werden, wodurch die Vorhersage von Link Equity noch kontextsensitiver wird. Außerdem erwarten wir den Aufstieg von Federated Learning-Ansätzen, bei denen verschiedene Unternehmen gemeinsam an einem globalen Linkgraph‑Modell trainieren, ohne ihre Rohdaten preiszugeben – ein vielversprechender Weg zur Skalierung unter Wahrung des Datenschutzes.

9Fazit und Handlungsempfehlung

Die Vorhersage von Link Equity Transfer zwischen Subdomains, Subverzeichnissen und über internationale ccTLDs hinweg ist längst kein theoretisches Spiel mehr – sie ist ein praktisches Hebelinstrument, das datengetriebene SEO-Entscheidungen auf ein neues Niveau hebt. KI‑gestützte Modelle, insbesondere Graph Neural Networks kombiniert mit Transfer Learning, ermöglichen es, die unsichtbaren Flüsse von Link‑Juice zu visualisieren, zu quantifizieren und gezielt zu steuern.

Um von diesen Vorteilen zu profitieren, sollten Sie folgende Schritte umsetzen:

1. Bestandaufnahme: Erstellen Sie einen vollständigen Linkgraph Ihrer Domain inkl. aller Subdomains und Subverzeichnisse.
2. Feature‑Aufbau: Anreichern Sie den Graphen mit PageRank‑ähnlichen Metriken, Ankertext‑Similarities und Geo‑Signalen.
3. Modellwahl: Beginnen Sie mit einem GraphSAGE‑ oder GAT‑Modell, trainieren Sie es auf historischen Linkänderungen und validieren Sie die Vorhersagegenauigkeit.
4. Integration: Stellen Sie das trainierte Modell als API bereit und binden Sie es in Ihre regelmäßigen SEO‑Reports ein.
5. Monitoring & Optimierung: Überwachen Sie die Modellperformance, passen Sie Features bei Bedarf an und nutzen Sie die Vorhersagen, um Ihre Linkbuilding‑ und Internal‑Linking‑Strategien zu steuern.

Der Aufwand mag zunächst höher erscheinen als das bloße Befolgen von Bauchgefühl, doch die langfristigen Gewinne – höhere Rankings, effizientere Nutzung des Linkbuilding‑Budgets und eine klarere internationale Sichtbarkeit – überwiegen bei weitem. Wer heute in KI‑gestützte Link Equity‑Vorhersage investiert, positioniert sich an der Spitze der SEO‑Entwicklung von morgen.