Structured Data für KI-Suchmaschinen: Schema.org-Markup gezielt optimieren

Kurzantwort

Strukturierte Daten nach Schema.org-Standard helfen KI-Suchsystemen, Inhalte zu klassifizieren, Entitäten zu identifizieren und Informationen korrekt zuzuordnen. Für klassisches SEO ist Markup schon lange Standard — für GEO und AI-Overview-Optimierung wird es zum entscheidenden Differenzierungsfaktor, weil es KI-Systemen maschinell lesbare Kontextinformationen liefert, die aus dem Fließtext allein schwerer zu extrahieren sind.

Warum Structured Data für KI-Suchsysteme besonders wichtig ist

Klassische Suchmaschinen nutzen strukturierte Daten für Rich Results: Sternebewertungen, Rezept-Informationen, Veranstaltungsdaten in der Ergebnisliste. Das ist bekannt und gut dokumentiert.

Für KI-Suchsysteme ist die Rolle von Structured Data umfassender und fundamentaler: KI-Modelle, die eine Antwort generieren, müssen aus Inhalten die Antwort auf eine spezifische Frage destillieren. Dieser Prozess ist deutlich zuverlässiger und präziser, wenn die Inhalte maschinell strukturiert sind.

Ein Beispiel: Wenn jemand Perplexity fragt “Wer ist der Gründer von [Marke] und seit wann gibt es das Unternehmen?”, muss Perplexity diese Information aus dem Inhalt einer Webseite extrahieren. Das gelingt aus dem Fließtext, aber aus Schema.org-Markup direkt und fehlerfrei: Organization → founder → Person → name, foundingDate.

Strukturierte Daten sind nicht nur für klassische Rich Results relevant — sie sind ein Kommunikationskanal direkt zur Maschine, ohne Umweg über Sprachverständnis.

Welche Schema.org-Typen sind für KI-Sichtbarkeit am relevantesten?

Article und NewsArticle: Der Grundbaustein für redaktionelle Inhalte. Pflichtfelder für KI-Optimierung: headline, author (mit Person-Entität und eigener SameAs-Verlinkung auf externe Profilseiten), datePublished, dateModified, publisher. Ohne korrektes Author-Markup kann ein KI-System Fachautorschaft nicht zuordnen — was E-E-A-T-Signale schwächt.

FAQPage: Einer der wirkungsvollsten Schema-Typen für GEO und AEO. Explizite Frage-Antwort-Paare in strukturierter Form sind für KI-Systeme leichter zu verarbeiten als die semantisch gleiche Information im Fließtext. FAQPage-Markup teilt KI-Systemen mit: “Diese Frage wird hier direkt und vollständig beantwortet.” Mehr zur Optimierung für direkte Antworten im Artikel Answer Engine Optimization (AEO) erklärt.

Organization: Kritisch für LLMO. Felder: name, url, logo, description, foundingDate, sameAs (mit Verlinkungen zu Wikipedia, LinkedIn, Crunchbase, Wikidata). Das sameAs-Array ist besonders wichtig — es verbindet die eigene Website-Entität mit ihrer Darstellung in externen, für KI-Trainingsdaten relevanten Quellen.

Person: Für Experten, Autoren und Unternehmensvertreter. Felder: name, jobTitle, affiliation, sameAs, knowsAbout (ein häufig unterschätztes Feld, das explizit Expertise-Bereiche markiert). Mehr zu Entitäten im Artikel Entity-SEO und der Knowledge Graph.

BreadcrumbList: Hilft KI-Systemen dabei, die hierarchische Position einer Seite im Seitenkontext zu verstehen — besonders wichtig für sehr große Websites mit tiefer URL-Hierarchie.

Product, Offer, Review: Für E-Commerce und Produkt-Seiten. KI-Systeme können Produktfragen deutlich präziser beantworten, wenn Preis, Verfügbarkeit und Bewertungen strukturiert markiert sind.

HowTo und Step: Für Anleitungs-Content. Gibt KI-Systemen eine klare Sequenz von Schritten, die direkt als strukturierte Antwort genutzt werden kann.

Wie wirkt Structured Data auf Google AI Overviews?

Google AI Overviews nutzt einen Hybrid: klassische Ranking-Signale für die Quellenauswahl, kombiniert mit Inhaltsextraktion für die Antwortgenerierung. Structured Data beeinflusst dabei vor allem die zweite Stufe — die Extraktion.

Aus beobachteten AI-Overview-Mustern lassen sich folgende Zusammenhänge ableiten: Seiten mit korrektem FAQPage-Markup erscheinen häufiger als Quellenreferenz in AI Overviews, weil die Struktur direkt zum FAQ-Format passt, das AI Overviews häufig verwenden. Seiten mit vollständigem Article-Markup inklusive korrektem Author-Schema werden bei E-E-A-T-sensitiven Themen — Gesundheit, Finanzen, Recht — bevorzugt.

Mehr zu AI Overviews im Artikel AI Overviews und Zero-Click-Search.

Wie implementiert man Structured Data korrekt?

JSON-LD als Methode der Wahl: Google empfiehlt JSON-LD gegenüber Microdata und RDFa, weil es im <script>-Tag im <head> oder <body> platziert wird, ohne den HTML-Code zu verunklaren, und weil es leicht zu pflegen ist.

Nested Entities verwenden: Statt Felder wie author oder publisher mit Strings zu befüllen, vollständige Entitätsobjekte einsetzen. "author": {"@type": "Person", "name": "Max Mustermann", "sameAs": ["https://www.linkedin.com/in/maxmustermann"]} ist deutlich informativer als "author": "Max Mustermann".

Konsistenz zwischen Markup und sichtbarem Content: Google und KI-Systeme validieren, ob strukturierte Daten mit dem tatsächlich sichtbaren Seiteninhalt übereinstimmen. Markup, das Informationen behauptet, die nicht im sichtbaren Content stehen, wird ignoriert oder kann als Spam gewertet werden.

Rich-Results-Test und Schema.org-Validator: Implementierungen vor dem Deploy prüfen. Der Rich-Results-Test von Google zeigt, ob Markup für Google-Funktionen geeignet ist. Der Schema.org-Validator prüft strukturelle Korrektheit.

Regelmäßige Überprüfung: Structured Data veraltet, wenn Inhalte geändert werden, aber das Markup nicht. Quartalsweise Überprüfung mit einem Crawl-Tool (Screaming Frog kann Structured Data extrahieren) schafft Überblick.

Was sind die häufigsten Implementierungsfehler?

Fehlende oder falsche Daten im Author-Feld: Autorenlose Artikel oder Artikel mit unvollständigen Author-Entitäten sind ein häufiges Problem. Besonders bei CMS-generierten Inhalten, wo Autoren nur als Text-String vorhanden sind, fehlen oft sameAs-Verlinkungen.

Duplicate Markup: Mehrere widersprüchliche Schema-Blöcke auf einer Seite — etwa aus dem CMS und aus einem zusätzlichen SEO-Plugin — produzieren Konflikte. Genau ein, korrekt konfiguriertes Schema-Block pro Typ ist das Ziel.

Kein Markup für Artikelabschnitte: Einzelne Abschnitte eines Artikels können mit Section- oder FAQPage-Markup separat ausgezeichnet werden — das erhöht die Granularität der Inhaltsstruktur für KI-Systeme. Dieses Potenzial wird selten ausgeschöpft.

Übersehene Pflichtfelder: Verschiedene Schema-Typen haben unterschiedliche Pflichtfelder für Google-Features. Ein Article ohne datePublished, ein Product ohne offers, ein LocalBusiness ohne address — diese Lücken reduzieren die Chance auf Rich-Results und schwächen das strukturierte Signal.

Welche Rolle spielt Wikidata für Structured Data und LLMO?

Wikidata ist eine offene, strukturierte Wissensdatenbank, die direkt als Trainings- und Referenzdatenquelle für viele KI-Systeme dient, darunter Google Knowledge Graph. Eine vollständige, korrekte Wikidata-Entität für die eigene Marke oder Person ist einer der stärksten LLMO-Hebel überhaupt — und wird vollständig unterschätzt.

Wikidata-Einträge enthalten strukturierte Daten nach eigenem Schema, das in Schema.org übersetzt werden kann. Die sameAs-Verlinkung zwischen der eigenen Website und dem Wikidata-Eintrag signalisiert KI-Systemen, dass beide Quellen dieselbe Entität beschreiben.

Mehr dazu im Artikel Brand Mentions in LLMs.

Weitere Informationen auf der Kompetenz-Seite Entity-SEO.