Welche Schema.org-Daten in KI-Antworten wirklich ankommen
Nicht jedes Schema-Markup wirkt in KI-Antworten. Welche Typen Crawler und Retrieval-Systeme verwerten, warum Redundanz Pflicht ist und wie Sie es prüfen.
Im Frühjahr hat ein Hersteller von Dosier- und Antriebstechnik 180 Produktseiten mit FAQPage-Markup ausgestattet. Sauber validiert, keine Fehler, keine Warnungen. Vier Wochen später gab es keine einzige zusätzliche Erwähnung in ChatGPT, Perplexity oder den KI-Übersichten von Google.
Der Fehler steckte nicht im Markup, sondern im Ort der Aussage
Die Fragen und Antworten existierten ausschließlich im JSON-LD. Auf der Seite selbst stand ein Produktbild, eine Tabelle mit Kennwerten und drei Absätze Fließtext. Die eigentlich interessanten Informationen – ab welcher Viskosität welche Pumpenbaureihe sinnvoll ist, welche Dichtungswerkstoffe für Natronlauge freigegeben sind – lagen unsichtbar im Quelltext, verpackt in ein <script type="application/ld+json">.
Für Google war das jahrelang ausreichend, um ein FAQ-Rich-Result auszuspielen. Für KI-Systeme ist es das nicht.
Der Grund ist unspektakulär und technisch: Wenn ein Sprachmodell eine Seite abruft, bekommt es fast nie das rohe HTML. Dazwischen sitzt eine Extraktionsschicht, die aus der Seite Fließtext macht – Navigation weg, Werbung weg, Skripte weg. Genau in diesem letzten Schritt verschwindet das JSON-LD. Die Antwort auf die Frage nach der Viskositätsgrenze war nie Teil dessen, was das Modell zu sehen bekam.
Sprachmodelle lesen kein JSON-LD, ihre Zulieferer schon
Es hilft, drei Wege zu unterscheiden, auf denen Ihre Inhalte in eine KI-Antwort gelangen können. Für jeden gilt etwas anderes.
Der erste Weg ist das Trainingswissen. Was in den Trainingsdaten steckt, stammt zu großen Teilen aus Textfassungen von Webseiten. Beim öffentlich dokumentierten Common-Crawl-Datensatz etwa liegt neben dem Roh-Archiv eine reine Textvariante vor, und diese Textvariante enthält keine Skriptblöcke. Ob und wie einzelne Anbieter zusätzlich Metadaten auswerten, ist nicht öffentlich bekannt. Unsere Arbeitsannahme: Markup spielt für das Trainingswissen kaum eine Rolle.
Der zweite Weg ist der Live-Abruf durch den Bot des Anbieters. Hier gilt dasselbe Extraktionsproblem, allerdings mit einer Einschränkung: Einige Abrufdienste behalten ausgewählte Metadaten, etwa Titel, Beschreibung, Veröffentlichungsdatum und Autor. Das sind genau die Felder, die auch klassische Vorschaukarten füllen. Ein datePublished im Article-Markup kann also durchaus ankommen – während ein ganzer FAQ-Block darunter wegfällt.
Der dritte Weg ist der Umweg über einen Suchindex. Und hier wird strukturiertes Markup wieder relevant. Die KI-Übersichten von Google greifen auf denselben Index zu, der seit fünfzehn Jahren Schema.org auswertet. Copilot arbeitet auf dem Bing-Index, der ebenfalls Markup verarbeitet. Wenn Ihr Produkt-Markup dafür sorgt, dass die Suchmaschine Ihre Seite als passende Antwort auf eine Produktfrage auswählt, dann sind Sie im Kandidatenpool für die KI-Antwort. Das Markup hat dann gewirkt – nur eben eine Ebene früher, als die meisten vermuten.
Kurz gesagt: Schema.org ist in der KI-Sichtbarkeit kein Ausspielkanal. Es ist ein Auswahlhelfer.
Jede Aussage im Markup braucht ein sichtbares Gegenstück
Das ist die wichtigste Regel dieses Beitrags, und sie kostet Sie mehr Arbeit als jede technische Umsetzung.
Behandeln Sie strukturierte Daten als Bestätigung dessen, was ohnehin auf der Seite steht. Nicht als Ablageort für Informationen, die Sie im Layout nicht unterbringen wollten. Wenn im Product-Markup "price": "2490.00" steht, muss der Preis auch im Text stehen. Wenn im FAQPage-Markup fünf Fragen liegen, gehören diese fünf Fragen als Überschriften mit Antworttext auf die Seite.
Der Effekt ist doppelt. Der Suchindex bekommt ein konsistentes Signal statt eines Widerspruchs. Und die Textextraktion, die vor jedem Modellzugriff läuft, findet die Aussage im Fließtext, wo sie sie auch behält.
Beim Dosiertechnik-Hersteller haben wir genau das gemacht: Die FAQ-Inhalte wanderten aus dem JSON-LD in einen sichtbaren Abschnitt unter der Kennwerttabelle, das Markup blieb als Spiegel bestehen. Perplexity zitierte die Seite bei Fragen nach Werkstofffreigaben etwa zwei Wochen später. In den KI-Übersichten von Google dauerte es länger. Ob das Markup daran einen Anteil hatte oder allein der neue sichtbare Text, lässt sich bei einem einzelnen Projekt nicht sauber trennen – das ist eine ehrliche Einschränkung.
Fünf Typen tragen die Last, der Rest ist Pflege
Schema.org hat über 800 Typen. Für die Frage, ob eine KI Sie erwähnt, sind davon eine Handvoll relevant. Die Auswahl richtet sich nicht danach, was hübsch aussieht, sondern danach, welche Fakten in Antworten tatsächlich gebraucht werden.
| Typ | Wozu er beiträgt | Aufwand |
|---|---|---|
Organization mit sameAs |
Klärt, wer Sie sind und mit welcher bekannten Entität Sie identisch sind | einmalig, im Template |
Product mit Offer |
Preis, Verfügbarkeit, GTIN – die Felder für Produktvergleiche | mittel, dauerhaft pflegeintensiv |
Article mit author, datePublished |
Urheberschaft und Aktualität; Aktualität ist bei Retrieval ein starkes Auswahlkriterium | gering |
LocalBusiness |
Standort, Öffnungszeiten, Einzugsgebiet bei regionalen Anfragen | einmalig |
BreadcrumbList |
Ordnet die Einzelseite in den Site-Kontext ein | einmalig, im Template |
FAQPage und HowTo sind weiterhin sinnvoll, aber nur unter der oben genannten Bedingung. speakable können Sie sich in fast allen Fällen sparen. AggregateRating ohne echte, nachprüfbare Bewertungen ist ein Risiko und kein Nutzen: Erkennt eine Suchmaschine gefälschte Bewertungsdaten, verliert die gesamte Domain an Vertrauen – und Vertrauen ist das Einzige, was bei der Quellenauswahl für KI-Antworten zählt.
Die Entität ist wichtiger als der Seitentyp
Wenn Sie nur eine Sache umsetzen, dann diese: einen sauberen Organisations-Knoten mit stabiler Kennung, auf den jede Seite Ihrer Website verweist.
{
"@context": "https://schema.org",
"@id": "https://example.de/#organization",
"@type": "Organization",
"name": "Muster Dosiertechnik GmbH",
"url": "https://example.de/",
"sameAs": [
"https://www.wikidata.org/wiki/Q...",
"https://de.linkedin.com/company/...",
"https://www.northdata.de/..."
]
}
Die @id ist eine URI, keine Adresse, die aufgerufen wird. Sie dient als Anker. Auf jeder Produktseite setzen Sie im Product-Objekt "brand": {"@id": "https://example.de/#organization"} statt den Firmennamen erneut als Zeichenkette einzutragen. Auf jeder Fachbeitragsseite verweist publisher auf denselben Knoten. So entsteht aus vielen Einzelblöcken ein zusammenhängender Graph statt eines Haufens isolierter Schnipsel.
Die sameAs-Liste ist der Teil, der in KI-Kontexten am meisten trägt. Sprachmodelle haben ein Zuordnungsproblem: Der Name „Muster Technik“ existiert womöglich dreimal in Deutschland. Verweise auf Wikidata, auf ein Handelsregister-Verzeichnis, auf ein Branchenverzeichnis mit eigener Domainautorität sagen: Diese Website und dieser bereits bekannte Eintrag beschreiben dasselbe Unternehmen. Ein Wikidata-Eintrag ist dabei besonders wertvoll, weil er selbst maschinenlesbar ist und in vielen Datensätzen auftaucht. Wenn Sie keinen haben, prüfen Sie, ob Ihr Unternehmen die Relevanzkriterien erfüllt – das ist billiger als jede Markup-Kampagne.
So prüfen Sie, ob Ihre Daten die Extraktion überleben
Der Validator unter validator.schema.org sagt Ihnen, ob Ihr Markup syntaktisch korrekt ist. Er sagt Ihnen nicht, ob es ankommt. Für diese Frage brauchen Sie einen zweiten Test, und der ist in zwanzig Minuten eingerichtet.
- Rufen Sie die Seite so ab, wie ein Bot sie sieht – ohne Browser, ohne JavaScript-Ausführung. Auf der Kommandozeile genügt
curl -A "GPTBot" https://example.de/produkt-xy. Wenn die Antwort im Wesentlichen ein leeres<div id="app">enthält, haben Sie ein Rendering-Problem und kein Markup-Problem. Dann hört die Beschäftigung mit Schema.org hier auf, bis das gelöst ist. - Schicken Sie das Ergebnis durch einen Textextraktor. Bibliotheken wie
trafilaturaoderreadability-lxmlbilden nach, was Abrufdienste tun. Vergleichen Sie dann: Welche Fakten aus Ihrem JSON-LD stehen im extrahierten Text? Alles, was fehlt, existiert für den Live-Abruf nicht. - Stellen Sie dieselbe Frage in vier Systemen und schauen Sie, welche Quelle sie zitieren. Nicht ob Sie vorkommen, sondern wer stattdessen vorkommt und was diese Seite anders macht.
Punkt zwei ist der Test, den fast niemand macht, und er erklärt in der Praxis die meisten Enttäuschungen. Wir haben Seiten gesehen, bei denen die komplette technische Spezifikation nur in einem per JavaScript nachgeladenen Reiter lag. Im Markup war alles vorhanden. Im extrahierten Text stand: „Technische Daten“.
Wo strukturierte Daten nichts ausrichten
Es gibt eine Grenze, und sie ist deutlich. Wenn ein Modell aus seinem Trainingswissen antwortet, ohne eine Seite abzurufen, ändert Ihr Markup daran nichts. Auf die Frage „Welche Hersteller von Membrandosierpumpen gibt es in Deutschland?“ antwortet ChatGPT ohne Suchlauf aus dem, was es aus Fachartikeln, Foren, Herstellerverzeichnissen und Branchenmedien gelernt hat. Dort landen Sie über Erwähnungen bei Dritten, nicht über JSON-LD auf der eigenen Domain.
Ebenso gilt: Markup ersetzt keine Substanz. Eine Produktseite mit drei Sätzen Text und perfektem Product-Markup verliert gegen eine Seite mit einer belastbaren Anwendungsbeschreibung und gar keinem Markup. Die Auswahlsysteme bewerten Inhalt, das Markup ordnet ihn nur ein.
Und ein letzter Punkt, der oft untergeht: Widersprüchliche Daten schaden. Ein price im Markup, der nicht zum Preis im Warenkorb passt, eine availability, die seit acht Monaten auf InStock steht, ein datePublished von 2019 auf einem Text, den Sie letzte Woche überarbeitet haben. Solche Abweichungen sind maschinell trivial zu erkennen. Was daraufhin passiert, ist im Detail nicht dokumentiert, aber die Richtung ist absehbar.
Was das für Sie bedeutet
Fangen Sie nicht mit dem Markup an, sondern mit dem Abruftest. Nehmen Sie drei Seiten, die für Sie wirtschaftlich zählen – eine Produktseite, eine Leistungsseite, die Über-uns-Seite – und prüfen Sie mit curl und einem Textextraktor, welche Fakten im extrahierten Text landen. Notieren Sie die Lücken.
Schließen Sie diese Lücken zuerst im sichtbaren Text. Der Satz „Für Natronlauge bis 50 Prozent Konzentration sind die Dichtungswerkstoffe EPDM und PTFE freigegeben“ gehört als Absatz auf die Seite, nicht in ein Attribut.
Danach bauen Sie den Organisations-Knoten mit @id und sameAs und binden ihn in das Seitentemplate ein, sodass jede Seite darauf verweist. Das ist ein Vormittag Arbeit und der Baustein mit der längsten Halbwertszeit.
Erst dann kommen die seitenspezifischen Typen – Product, Article, LocalBusiness – und zwar ausschließlich mit Angaben, die auch im Text stehen.
Legen Sie sich für die Preis- und Verfügbarkeitsfelder einen Prüftermin ins Quartal. Veraltetes Markup ist schlechter als keines. Und messen Sie den Effekt nicht am Markup selbst, sondern an der Zitierhäufigkeit über die Zeit – wie das ohne Werkzeuglizenz geht, haben wir in unserem Beitrag zu Share of Model beschrieben.
Häufige Fragen
Zur Einordnung: Dieser Beitrag wurde redaktionell mit Unterstützung eines Sprachmodells erstellt und vor der Veröffentlichung geprüft. Enthaltene Zahlen sind als Größenordnung zu verstehen, nicht als belastbare Studienergebnisse.