Zusammenfassung
In einer semantischen Suchwelt bilden Keywords nicht mehr den Ausgangspunkt der Optimierung, sondern nur noch das Zugriffssignal. Die eigentliche Bewertungslogik liegt auf der Ebene der Entitäten – stabilen Bedeutungsträgern, die unabhängig von sprachlichen Formulierungen existieren. Dieser Artikel erklärt, wie das Mapping zwischen Keyword und Entität funktioniert, warum es für semantische Sichtbarkeit entscheidend ist und wie Bedeutung algorithmisch stabilisiert wird.
Keyword zu Entity Mapping
Wie Suchsysteme Bedeutung statt Begriffe interpretieren
1. Warum Keyword-Mapping heute notwendig ist
Suchsysteme haben den paradigmatischen Übergang vollzogen: von keywordbasierten Heuristiken zu bedeutungsbasierten Modellen.
Keywords definieren nicht mehr, was ein Inhalt bedeutet, sondern nur noch, welche Entität angesprochen werden soll.
Deshalb ist die zentrale Frage nicht mehr:
„Welche Keywords wollen wir abdecken?"
sondern:
„Welche Entitäten repräsentieren dieses Themenfeld – und wie erkennen Suchsysteme sie eindeutig?"
Ohne funktionierendes Mapping bleibt ein Thema unscharf, konkurrierend, ambivalent oder im schlimmsten Fall nicht interpretierbar.
Der Paradigmenwechsel in der Praxis
Früher: „Wir optimieren für 'internationale Expansion', 'globale Märkte' und 'Auslandseintritt'"
Heute: „Wir definieren die Entität 'International Market Entry' und zeigen, welche Keywords darauf verweisen"
Der Unterschied: Im ersten Fall konkurrieren drei Keywords um Sichtbarkeit. Im zweiten Fall verstärken sie eine gemeinsame semantische Einheit.
2. Bedeutung statt Ausdruck: Die drei Ebenen des semantischen Modells
Ein effektives Mapping trennt drei Ebenen strikt:
Keyword (Ausdruck)
Sprachliche Form, variabel, kulturell geprägt
→ Beispiel: "Markteintritt", "market entry", "expansión internacional"
Entität (Objekt/Begriff)
Stabiler Bedeutungsträger
→ Beispiel: Die Entität "International Market Entry" als konzeptuelle Einheit
Bedeutung (Kontextform)
Die Interpretation, die ein System daraus erzeugt
→ Beispiel: Im B2B-Kontext bedeutet es "strategischer Prozess", im E-Commerce-Kontext "Plattform-Lokalisierung"
Keywords sind ersetzbar.
Entitäten sind strukturell.
Bedeutungen entstehen relational.
Diese Architektur ist der Grund, warum zehn verschiedene Suchanfragen auf dieselbe Entität verweisen können – und warum ein Keyword mehrere Entitäten meinen kann.
Praktisches Beispiel: Das Keyword "Markt"
Keyword: "Markt"
Mögliche Entitäten:
- Geografischer Markt (Deutschland, Asien)
- Wirtschaftsmarkt (Finanzmarkt, Immobilienmarkt)
- Zielgruppen-Markt (B2B-Markt, Consumer-Markt)
- Digitaler Markt (E-Commerce-Plattformen)
- Physischer Marktplatz (Wochenmarkt)
Bedeutung entsteht durch Kontext: In einem Artikel über "International Market Entry" verweist "Markt" auf geografische und wirtschaftliche Entitäten, nicht auf Wochenmärkte.
3. Der semantische Kern: Die Ziel-Entität identifizieren
Ein Keyword hat nur dann algorithmischen Wert, wenn die dahinterliegende Entität klar erkennbar ist. Die Identifikation erfolgt über:
Homonymie
Gleiches Wort, verschiedene Bedeutungen
Beispiel: "Bank" kann Sitzbank oder Finanzinstitut bedeuten
→ Lösung: Kontextanker wie "Kredit", "Zinsen" vs. "Park", "Holz"
Polysemie
Überlappende Bedeutungen
Beispiel: "Expansion" kann geografische Ausweitung, Produkterweiterung oder Teamwachstum bedeuten
→ Lösung: Durch Cluster-Kontext eindeutig machen
Kontextanker
Begleitwörter, Co-Occurence-Patterns
Beispiel: "Markteintritt" + "Lokalisierung" + "Compliance" signalisiert internationale Business-Strategie
→ Lösung: Wiederkehrende Begriffsmuster etablieren
Intentionsebene
Navigational, informational, conceptual, task-based
Beispiel: "Markteintritt Definition" (conceptual) vs. "Markteintritt planen" (task-based)
→ Lösung: Content nach Intent-Typ strukturieren
Domänenlogik
Welche Entität ist im Themenfeld dominant?
Beispiel: Auf einer B2B-Strategie-Website ist "Market Entry" immer strategisch gemeint, nie geografisch-touristisch
→ Lösung: Thematische Konsistenz über alle Seiten hinweg
Das Ziel ist die Frage:
„Welche spezifische Entität meint das Keyword in diesem thematischen Raum?"
Erst wenn diese Zuordnung stabil ist, kann ein Cluster darauf aufbauen.
4. Methoden des Keyword-zu-Entity-Mappings
Suchsysteme nutzen mehrere Ableitungswege, die auch in Semantic SEO abgebildet werden müssen:
4.1 Linguistische Ableitung
Morphologie, Synonyme, semantische Felder, Bedeutungsrahmen
Beispiel: "Markteintritt", "Market Entry", "Marktzugang", "Markterschließung" werden als linguistische Varianten derselben Entität erkannt.
Diese Methode nutzt Wortstämme, Ableitungen und Synonymbeziehungen, um sprachliche Varianten auf eine gemeinsame Bedeutung zu mappen.
4.2 Kontextuelle Ableitung
Co-Occurence, narrative Muster, Konzeptnähe, typische Attribute
Beispiel: Wenn "Markteintritt" regelmäßig zusammen mit "Lokalisierung", "Compliance" und "Pricing Strategy" auftritt, verstehen Systeme den B2B-Strategie-Kontext.
Diese Methode analysiert, welche Begriffe typischerweise gemeinsam erscheinen und leitet daraus die Entität ab.
4.3 Konzeptuelle Ableitung
Modelle, Hierarchien, Taxonomien, Feldlogiken
Beispiel: "International Market Entry" ist konzeptuell eine Unterkategorie von "Business Strategy" und eine Überkategorie von "Export", "Joint Venture", "Foreign Direct Investment".
Diese Methode nutzt hierarchische Beziehungen und Begriffsmodelle, um Entitäten zu positionieren.
4.4 Graphbasierte Ableitung
Wikidata, gescrapte Knowledge-Graphs, Domain-Graphen
Beispiel: Suchsysteme prüfen, wie eine Entität in bestehenden Knowledge Graphs (Wikidata, DBpedia) definiert und verknüpft ist.
Diese Methode gleicht Begriffe mit externen semantischen Datenbanken ab und übernimmt etablierte Entitätsdefinitionen.
4.5 Modellbasierte Ableitung
LLM-Interpretationen, Embeddings, semantische Distanzmessungen
Beispiel: Ein LLM erkennt durch Embedding-Vektoren, dass "Market Entry" semantisch näher an "Expansion Strategy" als an "Market Research" liegt.
Diese Methode nutzt maschinelle Sprachmodelle, um Bedeutungsähnlichkeiten zu berechnen und Entitäten zuzuordnen.
Ein stabiles Mapping kombiniert mehrere dieser Verfahren – nie nur eines.
5. Der Mapping-Prozess: Von Suchanfragen zu stabilen Entitäten
Ein systematischer Prozess besteht aus acht Schritten:
1. Keywords sammeln
Alle relevanten Suchbegriffe, Varianten und Formulierungen erfassen
→ "Markteintritt", "internationale Expansion", "Auslandsmarkt erschließen", "global entry strategy"
2. Sprachliche Varianten gruppieren
Synonyme, Übersetzungen und morphologische Varianten clustern
→ Gruppe A: "Markteintritt", "Market Entry", "Marktzugang"
3. Primäre Bedeutung ableiten
Die dominante Interpretation im Themenfeld bestimmen
→ Primärbedeutung: Strategischer Prozess des internationalen Markteintritts
4. Alternative Bedeutungen isolieren
Mehrdeutigkeiten identifizieren und ausschließen
→ Alternative: "Markteintritt" im Sinne von "erstmaliger Börseneintritt" ausschließen
5. Zielentität definieren
Die stabile Bedeutungseinheit präzise benennen
→ Zielentität: "International Market Entry Strategy"
6. Attribute und Beziehungen bestimmen
Eigenschaften und Relationen der Entität definieren
→ Attribute: strategisch, prozessual, risikobehaftet | Beziehungen: Teil von "Business Strategy", erfordert "Market Analysis"
7. Bedeutungsfeld der Entität modellieren
Den semantischen Raum um die Entität herum kartieren
→ Umfeld: Lokalisierung, Compliance, Pricing, Distribution, Cultural Adaptation
8. Clusterstruktur darauf aufbauen
Content-Architektur entlang der Entität und ihrer Beziehungen entwickeln
→ Kernseite: "International Market Entry" | Subnodes: "Market Analysis Methods", "Entry Mode Selection", "Pricing Strategies"
Die Qualität eines Clusters hängt direkt von der Präzision dieses Mappings ab.
6. Semantische Signale, die Systeme zur Entitätserkennung nutzen
Suchsysteme identifizieren Entitäten über wiederholbare Muster. Dazu gehören:
Co-Occurence-Signale
Welche Begriffe treten regelmäßig zusammen auf?
Wenn "Market Entry" konsistent mit "Lokalisierung", "Compliance", "Pricing Strategy" erscheint, verstehen Systeme den strategischen Kontext.
Distributional Semantics
In welchen Bedeutungsräumen erscheint das Keyword?
Systeme analysieren, in welchen thematischen Kontexten ein Begriff auftaucht. "Market Entry" in Business-Artikeln hat andere Bedeutung als in Börsen-News.
Kontextanker
Typische Adjektive, Verben, Rollenbegriffe
Beispiel: "strategischer Markteintritt", "Markt erschließen", "Entry Manager" signalisieren die Business-Strategie-Domäne.
Relationale Signale
A → ist Teil von → B
Beispiel: "Export" ist Teil von "Market Entry", "Market Entry" ist Teil von "International Expansion".
Framing-Signale
Welcher Bedeutungsrahmen wird gesetzt?
Beispiel: "Market Entry erfordert gründliche Marktanalyse" setzt einen strategisch-planerischen Frame, nicht einen opportunistischen.
Intent-Marker
Welcher Handlungstyp wird impliziert?
Beispiel: "Market Entry planen" (task-based) vs. "Market Entry Definition" (conceptual) vs. "Market Entry Beispiele" (informational).
Entity-Coherence
Passt das Keyword zum thematischen Feld?
Wenn eine Domain konsistent über Business Strategy schreibt, wird "Market Entry" automatisch in diesem Kontext interpretiert.
Je klarer diese Signale im Content sichtbar sind, desto stabiler die Zuordnung der Entität.
7. Entitäten im Themenfeld strukturieren
Eine Entität existiert nicht isoliert. Ihre Bedeutung entsteht durch Einbettung:
Ontologie-Ebene
Was ist es?
"International Market Entry" ist ein strategischer Prozess, kein Produkt, keine Technologie, keine Person.
Diese Ebene klärt die grundlegende Kategorie der Entität und grenzt sie von anderen Kategorien ab.
Taxonomische Ebene
Wo gehört es hin?
"International Market Entry" ist Teil von "Business Strategy", Überkategorie von "Export", "Joint Venture", "Foreign Direct Investment".
Diese Ebene positioniert die Entität in einer hierarchischen Struktur und zeigt Über- und Unterordnungen.
Funktionale Ebene
Welche Rolle spielt es?
"International Market Entry" ermöglicht Umsatzwachstum, Diversifikation, Skalierung. Es löst das Problem begrenzter Heimatmärkte.
Diese Ebene beschreibt den Zweck und die Funktion der Entität im größeren Kontext.
Prozessuale Ebene
Wie wirkt es?
"International Market Entry" folgt typischen Phasen: Analyse → Strategie → Implementierung → Kontrolle. Es involviert verschiedene Stakeholder.
Diese Ebene zeigt Abläufe, Schritte und zeitliche Dimensionen der Entität.
Vergleichende Ebene
Wie unterscheidet es sich?
"International Market Entry" unterscheidet sich von "Domestic Expansion" (geografisch), von "Market Research" (Fokus) und von "Merger & Acquisition" (Methode).
Diese Ebene grenzt die Entität von ähnlichen, aber unterschiedlichen Konzepten ab.
Erst diese Einbettung macht die Entität algorithmisch verwertbar.
Systeme können nur dann stabile Interpretationen bilden, wenn eine Entität auf allen fünf Ebenen klar positioniert ist. Je präziser diese Einbettung in Content sichtbar wird, desto eindeutiger die semantische Verankerung.
8. Typische Fehler, die das Mapping unbrauchbar machen
Die größten strukturellen Fehler:
1. Keyword-Verengung
Problem: Entität zu klein definiert
Beispiel: "Market Entry" wird nur als "Export" verstanden, obwohl es auch Joint Ventures, Lizenzen und Direktinvestitionen umfasst.
Folge: Wichtige Teilaspekte werden nicht erkannt, Cluster bleibt unvollständig.
2. Keyword-Ausweitung
Problem: Entität zu breit definiert
Beispiel: "Market Entry" wird gleichgesetzt mit "Business Strategy" allgemein – die Entität verliert ihre Spezifität.
Folge: Entität wird unscharf, konkurriert mit anderen Themen, algorithmisch schwer zu fassen.
3. Fehlende Kontextanalyse
Problem: Keywords werden ohne Berücksichtigung des semantischen Umfelds gemappt
Beispiel: "Markt" wird isoliert betrachtet, ohne zu prüfen, ob geografische, wirtschaftliche oder Zielgruppen-Märkte gemeint sind.
Folge: Mehrdeutigkeiten bleiben unerkannt, falsche Entitätszuordnung.
4. Fehlende Entitätsgrenzen
Problem: Nicht klar definiert, wo eine Entität endet und eine andere beginnt
Beispiel: "Market Entry" und "International Expansion" werden nicht sauber getrennt.
Folge: Inhaltliche Überschneidungen, Redundanzen, keine klare semantische Hierarchie.
5. Polyseme Bedeutungen vermischt
Problem: Verschiedene Bedeutungen eines Begriffs werden nicht getrennt
Beispiel: "Expansion" wird sowohl für geografische Ausweitung als auch für Produkterweiterung verwendet, ohne Unterscheidung.
Folge: Systeme können nicht eindeutig interpretieren, welche Bedeutung gemeint ist.
6. Falsche Abstraktionsebene
Problem: Entitäten auf verschiedenen Abstraktionsebenen werden gleichgestellt
Beispiel: "Export" (konkrete Methode) und "Internationalisierung" (strategisches Konzept) werden als gleichrangig behandelt.
Folge: Hierarchische Beziehungen gehen verloren, taxonomische Struktur bricht zusammen.
7. Entitäten ohne Rolle im Cluster
Problem: Entitäten werden definiert, aber nicht in die Clusterstruktur integriert
Beispiel: "Compliance" wird als Entität erkannt, aber es gibt keine Seite, die ihre Rolle im Market-Entry-Prozess erklärt.
Folge: Entität bleibt isoliert, semantische Beziehungen fehlen.
Diese Fehler zerstören die Interpretierbarkeit eines Themenfeldes – und damit jede Form von semantischer Autorität.
9. Entitäten als Grundlage von AI-Visibility
LLMs interpretieren nicht Keywords, sondern Bedeutungsräume. Fehlt eine klare Entität, passiert eines von drei Dingen:
1. Das System interpretiert falsch (falsche Entität)
Ein Artikel über "Market Entry" wird als Börsen-IPO interpretiert statt als internationale Geschäftsstrategie.
2. Das System interpretiert unvollständig (Bedeutungsbruch)
Der Kontext ist unklar, wichtige Beziehungen werden nicht erkannt, die Antwort bleibt oberflächlich.
3. Das System ignoriert die Quelle (keine Zuordnung möglich)
Wenn die Entität nicht eindeutig ist, wird die Quelle als nicht autoritativ eingestuft und nicht zitiert.
Ein korrektes Keyword-zu-Entity-Mapping ist einer der stärksten Hebel für:
Rankingstabilität
Klare Entitäten führen zu konsistenten Rankings über verschiedene Keyword-Varianten hinweg.
Clusterautorität
Ein sauber gemapptes Cluster wird als thematisch kohärent erkannt und semantisch verankert.
Knowledge-Graph-Einbettung
Eindeutige Entitäten werden leichter in Knowledge Graphs übernommen und verlinkt.
Zitationswahrscheinlichkeit in LLMs
LLMs zitieren Quellen mit klaren, stabilen Entitäten häufiger in AI Overviews und Antworten.
Langfristige Sichtbarkeit
Entitäten bleiben stabil, auch wenn sich Suchbegriffe und Trends ändern.
Entitäten sind der robusteste Ausdruck digitaler Bedeutung.
10. Praxis: Mapping als Grundlage von Content-Design
Jede Contentstruktur beginnt mit der Frage:
„Welche Entität ist die Hauptbedeutung dieser Seite – und welche Nebenentitäten ergänzen sie?"
Ein sinnvoller Aufbau lautet:
Hauptentität
International Market Entry Strategy
Attribute
strategisch, risikobehaftet, ressourcenintensiv, kulturabhängig
Funktionen
Ermöglicht Umsatzwachstum, Marktdiversifikation, Skalierung
Relationen zu anderen Entitäten
Erfordert: Market Analysis, Compliance, Lokalisierung
Teil von: International Expansion, Business Strategy
Unterkategorien: Export, Joint Venture, Foreign Direct Investment
Beispiele / Anwendungen
Tech-Startup erschließt asiatischen Markt
Mittelständler plant Export nach Nordamerika
Konzern gründet Joint Venture in Indien
Abgrenzungen
Unterscheidet sich von: Domestic Expansion (geografisch)
Unterscheidet sich von: Market Research (Zweck)
Unterscheidet sich von: M&A (Methode)
Einordnung ins Themenfeld
Gehört zu: B2B-Strategie, Internationalisierung
Relevante Disziplinen: Marketing, Finance, Operations, Legal
Damit ist der gesamte Content semantisch vorhersehbar und algorithmisch interpretierbar.
Diese Struktur macht es Suchsystemen und LLMs leicht, die Seite korrekt zu verstehen, in den richtigen Kontext einzuordnen und bei relevanten Anfragen zu zitieren.
11. Semantische Stabilität als Endziel
Keyword-Mapping ist kein Instrument zur Keyword-Optimierung, sondern ein System zur Stabilisierung von Bedeutung.
Eine Entität gilt als stabil, wenn:
✓ Ihre Bedeutung über mehrere Seiten gleich bleibt
"Market Entry" bedeutet auf allen Seiten des Clusters dasselbe konzeptuelle Framework.
✓ Ihre Rolle im Themenfeld klar ist
Die Entität hat eine definierte Position in der Themenhierarchie.
✓ Sie taxonomisch korrekt eingeordnet ist
Über- und Unterordnungen sind sauber definiert.
✓ Ihre Beziehungen definiert sind
Relationen zu anderen Entitäten sind explizit und konsistent.
✓ Ihre Attribute wiederkehrend erscheinen
Typische Eigenschaften werden konsistent kommuniziert.
✓ Sie in LLM-Antworten und Suchsystemen eindeutig erkennbar ist
Systeme zitieren die Quelle korrekt und ordnen sie richtig ein.
Erst dann kann eine Domain wirkliche semantische Autorität aufbauen.
Semantische Stabilität ist kein einmaliges Ziel, sondern ein fortlaufender Prozess. Jede neue Seite, jede Überarbeitung muss die bestehenden Entitätsdefinitionen respektieren und verstärken. Nur so entsteht ein Bedeutungsraum, der für Suchsysteme und LLMs langfristig interpretierbar bleibt.
Über den Autor
Marcus A. Volz ist Linguist und Spezialist für semantische KI-Systeme bei eLengua. Er analysiert, wie Suchsysteme und KI-Systeme Bedeutung verstehen – von Entity-Mapping über Themen-Cluster bis zur semantischen Content-Architektur. Seine Arbeit verbindet theoretische Sprachwissenschaft mit praktischer Anwendung in SEO und Content-Strategie.
Interesse an professionellem Entity-Mapping?
eLengua unterstützt Unternehmen dabei, Keywords zu stabilen Entitäten zu mappen und semantische Autorität aufzubauen – von der Bedeutungsanalyse bis zur Implementierung in Content-Strukturen.
Häufig gestellte Fragen (FAQ)
Was ist der Unterschied zwischen Keyword und Entität?
Ein Keyword ist ein sprachlicher Ausdruck – variabel, kulturell geprägt und kontextabhängig. Eine Entität ist ein stabiler Bedeutungsträger – unabhängig von der sprachlichen Formulierung. Das Keyword "Markteintritt" kann sich auf verschiedene Entitäten beziehen (geografischer Markteintritt, digitaler Markteintritt, strategischer Markteintritt). Die Entität bleibt stabil, auch wenn verschiedene Keywords darauf verweisen.
Warum ist Keyword-zu-Entity-Mapping wichtig für SEO?
Moderne Suchsysteme und LLMs arbeiten nicht keyword-basiert, sondern bedeutungsbasiert. Sie interpretieren Entitäten, nicht Begriffe. Ohne klares Mapping bleibt ein Thema unscharf, mehrdeutig oder nicht interpretierbar. Korrektes Mapping führt zu Rankingstabilität, Clusterautorität, Knowledge-Graph-Einbettung und höherer Zitationswahrscheinlichkeit in AI-Antworten.
Wie identifiziere ich die richtige Ziel-Entität für ein Keyword?
Die Identifikation erfolgt über mehrere Faktoren: Homonymie (gleiches Wort, verschiedene Bedeutungen), Polysemie (überlappende Bedeutungen), Kontextanker (Begleitwörter, Co-Occurence-Patterns), Intentionsebene (navigational, informational, conceptual) und Domänenlogik (welche Entität ist im Themenfeld dominant). Die entscheidende Frage lautet: Welche spezifische Entität meint das Keyword in diesem thematischen Raum?
Welche Methoden nutzen Suchsysteme für Entity-Erkennung?
Suchsysteme kombinieren mehrere Ableitungswege: linguistische Ableitung (Morphologie, Synonyme, semantische Felder), kontextuelle Ableitung (Co-Occurence, narrative Muster), konzeptuelle Ableitung (Modelle, Hierarchien, Taxonomien), graphbasierte Ableitung (Wikidata, Knowledge-Graphs) und modellbasierte Ableitung (LLM-Interpretationen, Embeddings). Ein stabiles Mapping kombiniert mehrere dieser Verfahren.
Was sind typische Fehler beim Keyword-zu-Entity-Mapping?
Die häufigsten Fehler sind: Keyword-Verengung (Entität zu klein definiert), Keyword-Ausweitung (Entität zu breit definiert), fehlende Kontextanalyse, fehlende Entitätsgrenzen, polyseme Bedeutungen vermischt, falsche Abstraktionsebene und Entitäten ohne Rolle im Cluster. Diese Fehler zerstören die Interpretierbarkeit eines Themenfeldes und damit jede semantische Autorität.
Wie strukturiere ich Entitäten im Themenfeld?
Eine Entität existiert nicht isoliert. Ihre Bedeutung entsteht durch Einbettung auf mehreren Ebenen: Ontologie-Ebene (Was ist es?), Taxonomische Ebene (Wo gehört es hin?), Funktionale Ebene (Welche Rolle spielt es?), Prozessuale Ebene (Wie wirkt es?) und Vergleichende Ebene (Wie unterscheidet es sich?). Erst diese Einbettung macht die Entität algorithmisch verwertbar.
Welche Signale nutzen Systeme zur Entitätserkennung?
Suchsysteme identifizieren Entitäten über wiederholbare Muster: Co-Occurence-Signale (Welche Begriffe treten zusammen auf?), Distributional Semantics (In welchen Bedeutungsräumen erscheint das Keyword?), Kontextanker (typische Adjektive, Verben), Relationale Signale (A ist Teil von B), Framing-Signale (welcher Bedeutungsrahmen wird gesetzt), Intent-Marker (welcher Handlungstyp) und Entity-Coherence (passt das Keyword zum thematischen Feld).
Wie wirkt sich Entity-Mapping auf AI-Visibility aus?
LLMs interpretieren nicht Keywords, sondern Bedeutungsräume. Fehlt eine klare Entität, interpretiert das System falsch, unvollständig oder ignoriert die Quelle. Korrektes Mapping ist einer der stärksten Hebel für Rankingstabilität, Clusterautorität, Knowledge-Graph-Einbettung, Zitationswahrscheinlichkeit in LLMs und langfristige Sichtbarkeit. Entitäten sind der robusteste Ausdruck digitaler Bedeutung.