Loading...
Strukturierte Daten sind kein SEO-Trick mehr - sie sind die Sprache, in der KI-Systeme mit Ihrer Website kommunizieren. Wenn ChatGPT, Perplexity oder KI-Antworten in Suchergebnissen eine Frage beantworten, greifen sie auf maschinenlesbare Informationen zurück. Schema.org ist dabei das meistgenutzte Vokabular weltweit. Dieser Artikel erklärt, welche Schema-Typen für KI-Sichtbarkeit tatsächlich relevant sind, warum JSON-LD die einzig sinnvolle Implementierungsmethode ist - und was Schema.org explizit nicht leistet.
Schema.org definiert ein gemeinsames Vokabular für strukturierte Daten. Wie dieses Vokabular technisch in eine Webseite eingebettet wird, ist eine separate Frage - und die Antwort ist eindeutig: JSON-LD (JavaScript Object Notation for Linked Data) ist die empfohlene Methode, und zwar aus mehreren konkreten Gründen. Microdata bettet Schema-Attribute direkt in HTML-Tags ein: itemscope, itemtype, itemprop verschachtelt durch den DOM. Das Problem: Microdata ist eng an die HTML-Struktur gebunden. Wer das Layout ändert, riskiert, versehentlich Schema-Attribute zu zerstören. Außerdem ist Microdata nur für HTML5 definiert - nicht für JSON-Antworten oder API-Endpunkte. RDFa (Resource Description Framework in Attributes) ist das älteste der drei Formate, stammt aus dem Semantic-Web-Umfeld und ist deutlich komplexer zu implementieren. RDFa wird von Google akzeptiert, aber es gibt keine Vorteile gegenüber JSON-LD - nur mehr Komplexität. JSON-LD hingegen lebt im Script-Tag, vollständig entkoppelt vom HTML-Markup. Das hat drei praktische Vorteile: Erstens, Wartbarkeit - das JSON-LD-Objekt kann zentral verwaltet werden, ohne dass das HTML-Template berührt wird. Bei einer Produktseite ändert sich das Layout oft monatlich - das Schema bleibt stabil. Zweitens, Vollständigkeit - JSON-LD erlaubt verschachtelte Objekte ohne DOM-Beschränkungen. Ein Product-Schema mit Offer, AggregateRating, Review und Brand lässt sich als sauberes Objekt abbilden. Drittens, KI-Crawler-Kompatibilität - Googles eigene Dokumentation (Google Search Central) empfiehlt JSON-LD explizit als bevorzugtes Format. Da KI-Antworten in Suchergebnissen und viele andere KI-Systeme Googles Crawling-Infrastruktur nutzen oder ähnliche Ansätze verfolgen, folgt die Branche dieser Empfehlung. Die praktische Empfehlung ist daher klar: Verwenden Sie JSON-LD. Microdata und RDFa funktionieren technisch, bieten aber keine Vorteile und erzeugen signifikant mehr Wartungsaufwand.
Direkt testen
Prüfen Sie Ihren GEO Score in 60 Sekunden - kostenlos, ohne Account. 42 Faktoren analysiert.
Nicht alle Schema-Typen sind gleich wertvoll für KI-Sichtbarkeit. Basierend auf der Analyse von Google Search Central-Dokumentation und beobachteten Citation-Mustern in KI-Antworten in Suchergebnissen lassen sich sieben Typen identifizieren, die besonders hohe Relevanz haben. FAQPage erzielt die höchste Citation Rate in KI-Antworten in Suchergebnissen - und das ist kein Zufall. FAQ-Struktur entspricht exakt dem Format, in dem KI-Systeme Antworten generieren: eine Frage, eine klare Antwort. KI-Antworten in Suchergebnissen rufen FAQPage-Schema direkt ab, um Antwortblöcke zu befüllen. Die Implementierung ist simpel: Ein FAQPage-Objekt mit mainEntity als Array aus Question-Answer-Paaren. Product ist für E-Commerce unverzichtbar. Ein vollständiges Product-Schema enthält name, description, brand (mit @type Organization), offers (mit price, priceCurrency, availability), aggregateRating und review. Fehlende Felder - besonders GTIN, MPN oder availability - reduzieren die Chancen auf Darstellung in Shopping-Funktionen signifikant. Service entspricht Product für Dienstleister. Wichtige Felder: serviceType, provider (Organization), areaServed, hasOfferCatalog. Ohne Service-Schema ist es für KI-Systeme schwerer zu verstehen, was genau angeboten wird und für wen. LocalBusiness mit seinen über 80 Subtypen ist entscheidend für lokale Sichtbarkeit. Statt des generischen LocalBusiness sollten Sie den präzisesten passenden Subtyp verwenden: Plumber für Klempner, Dentist für Zahnarzt, Restaurant für Gastronomie, Attorney für Anwälte, Bakery für Bäckereien. KI-Systeme, die lokale Empfehlungen geben, interpretieren Subtypen präziser als den generischen Typ. Organization schafft Vertrauen durch maschinenlesbare Unternehmensidentität: legalName, address, telephone, email, sameAs (mit Links zu LinkedIn, Google Business, Wikidata). Besonders wichtig: sameAs verknüpft Ihre Daten mit externen Quellen und erhöht die Confidence-Rate in KI-Systemen. Person ist relevant für beratungsintensive Branchen: Anwälte, Ärzte, Berater, Coaches. Ein vollständiges Person-Schema mit jobTitle, worksFor, knowsAbout und sameAs erhöht die Wahrscheinlichkeit, als Experte in KI-Antworten genannt zu werden. Review und AggregateRating wirken als Vertrauenssignal. Wichtig: Reviews müssen echte Bewertungen widerspiegeln - Fake-Reviews verstoßen gegen Googles Richtlinien. Validieren Sie Ihre Implementierungen mit dem Google Rich Results Test und dem Schema.org Validator. Beide Tools sind kostenlos und zeigen Fehler sowie Warnungen an.
Ein verbreitetes Missverständnis ist, dass Schema.org-Markup allein ausreicht, um in KI-Antworten zu erscheinen. Das ist falsch - und es lohnt sich, die Grenzen klar zu benennen. Schema.org ist ein Vokabular, kein Ranking-Signal. Es hilft KI-Systemen und Suchmaschinen, den Kontext Ihrer Inhalte zu verstehen. Es garantiert keine Darstellung in Rich Snippets, keine Citation in KI-Antworten in Suchergebnissen und kein besseres Ranking. Google selbst betont in der Search Central-Dokumentation, dass strukturierte Daten als Hinweis behandelt werden - nicht als bindende Anweisung. Ein weiteres Missverständnis betrifft llms.txt: Diese Datei, die manche als robots.txt für KI-Systeme bezeichnen, ist zum aktuellen Zeitpunkt kein offizieller Standard. Sie wird von einigen KI-Crawlern gelesen, aber die meisten großen Systeme - ChatGPT, Perplexity, Gemini - folgen keiner standardisierten llms.txt-Spezifikation. Für eine detaillierte Analyse lohnt sich der Artikel zum llms.txt-Realitätscheck in diesem Blog. Ebenfalls kein offizielles Schema: Es gibt kein spezielles AI-Schema oder GEO-Markup. Wer Ihnen proprietäre Schema-Erweiterungen für KI-Sichtbarkeit verkaufen will, verkauft Luft. Was tatsächlich neben Schema.org zählt: inhaltliche Tiefe und Quellenangaben (KI-Systeme zitieren belegbare Fakten häufiger als unbelegte Behauptungen), konsistente Unternehmensdaten über alle Plattformen (NAP-Konsistenz: Name, Address, Phone), regelmäßige Aktualisierungen (veraltete Daten erzeugen Halluzinationen - KI-Systeme interpolieren fehlende Informationen aus dem Trainingskorpus) und technische Crawlbarkeit (robots.txt darf relevante Seiten nicht sperren, der Server muss für Crawler erreichbar sein). Schema.org ist das Fundament - aber es ist nur eine Schicht in einer mehrschichtigen Strategie. Wer nur Schema.org implementiert und nichts anderes ändert, wird keine dramatischen Effekte sehen. Wer es als Teil einer kohärenten Datenstrategie einsetzt, hat einen messbaren Vorteil.
Die Hierarchie ist klar: JSON-LD als Implementierungsformat, FAQPage und Product/Service als prioritäre Schema-Typen, LocalBusiness-Subtypen statt des generischen Typs, Organization für Vertrauen, Review für Autorität. Validieren Sie regelmäßig mit dem Google Rich Results Test. Und vergessen Sie nicht: Schema.org ist das technische Fundament - es ersetzt keine inhaltliche Qualität und keine konsistente Datenpflege. Die Kombination aus beidem entscheidet, ob KI-Systeme Ihr Unternehmen als vertrauenswürdige Quelle erkennen.
GEO Score kostenlos prüfenMarvin Malessa
Gründer, Beconova
Gründete Beconova 2025 in Deutschland, um Shops und Dienstleistern den Weg in KI-Suchmaschinen zu öffnen. Schreibt über GEO, KI-Sichtbarkeit und die Zukunft der Suche.
Starten Sie mit Beconova und werden Ihre Daten für ChatGPT, Claude und Gemini messbar auswertbar.
Jetzt starten