Attributs-Landingpages bauen: Ein Leitfaden aus der Praxis
Das Konzept ist klar. Die Umsetzung entscheidet. Wie Sie Attribute auswählen, Attributs-Landingpages…
Wenn Unternehmen fragen, ob Schema.org für KI-Systeme relevant ist, bekommt man im Markt zwei Antworten. Die erste: KI liest kein strukturiertes Markup, das ist veraltetes SEO-Denken. Die zweite: Schema.org ist der Schlüssel zu mehr KI-Sichtbarkeit. Buchen Sie jetzt unser Paket.
Beide Antworten sind falsch. Oder zumindest: zu einfach.
Dieser Beitrag erklärt, was Schema.org und digitale Entitätsmodellierung für KI-Suchsysteme tatsächlich leisten – und was sie nicht leisten. Auf Basis verfügbarer Belege, mit klarer Einordnung dessen, was wir wissen und was wir nicht wissen.
Wenn ChatGPT, Gemini oder Perplexity eine Frage beantworten, passieren mehrere Dinge nacheinander. Das System muss entscheiden, welche Quellen es kennt. Es muss einschätzen, ob eine Quelle vertrauenswürdig und relevant ist. Es muss die richtige Entität – also das richtige Unternehmen, die richtige Person, die richtige Leistung – korrekt zuordnen. Und erst dann entscheidet es, was es zitiert, erwähnt oder empfiehlt.
Das Sichtbarkeitsproblem beginnt bereits Schritte früher: beim Erkennen und Zuordnen.
Je schlechter ein System ein Unternehmen eindeutig identifizieren und zuordnen kann, desto schwieriger wird es, Inhalte, Personen, Leistungen und externe Signale zuverlässig derselben Entität zuzuschreiben. Das ist der Punkt, an dem Entitätsmodellierung ansetzt. Nicht bei der Erwähnung. Bei der Erkennbarkeit.
Entitätsmodellierung ist nicht Keyword-Optimierung mit Schema-Tags drüber. Es ist die maschinenlesbare Konstruktion dessen, wer ein Unternehmen ist. Das umfasst drei Ebenen:
Über Schema.org und JSON-LD werden alle relevanten Teilentitäten eines Unternehmens beschrieben – und ihre Beziehungen zueinander: Welche Leistungen werden angeboten? Wer sind die handelnden Personen? Welche Region wird bedient? Welche externen Erwähnungen gehören zu diesem Unternehmen? Zentrales Element ist die Organization-Entität als Ankerpunkt. An ihr hängen Personen (über worksFor, founder), Leistungen (über provider), Standorte (über areaServed, location) und externe Belege (über subjectOf, mentions).
KI- und Suchsysteme können zur Einordnung einer Entität auch externe Quellen und Profile heranziehen. Konsistente Kerndaten über verschiedene Quellen hinweg erleichtern dabei die eindeutige Zuordnung. Google Unternehmensprofil, Wikidata, LinkedIn, Handelsregistereintrag, Branchenverzeichnisse – je konsistenter die Kerndaten dort übereinstimmen, desto belastbarer wird die Grundlage für eine korrekte Identifikation.
Externe Profile werden über sameAs mit der eigenen Website verbunden. Schema.org definiert sameAs als URL einer Referenzseite, die eindeutig die Identität des Objekts angibt – eine Voraussetzung, dass die Zielressource Linked Open Data sein muss, gibt es dabei nicht. Google nennt bei Organization ausdrücklich auch Profilseiten auf Social-Media- und Bewertungsplattformen als sameAs-Beispiele. Besonders starke Identitätsreferenzen sind Einträge in formalen Wissensbasen wie Wikidata, GND oder VIAF. Aber auch das offizielle LinkedIn-Profil oder das Google Business Profile können sinnvoll über sameAs angebunden werden, wenn sie eindeutig dieselbe Organisation repräsentieren.
Für externe Inhalte über die Entität – Presseartikel, Interviews, Fachbeiträge – ist dagegen subjectOf die passende Eigenschaft. Der Unterschied ist relevant: sameAs sagt „das sind wir". subjectOf sagt „das handelt von uns".
Wir sagen auf unserer eigenen Website, wer wir sind, was wir tun, für wen wir es tun, wo wir es tun – und belegen durch externe Quellen, dass diese Aussagen stimmen. Dann verknüpfen wir beides technisch miteinander.
Das Ergebnis ist ein bidirektionales Netz aus übereinstimmenden Informationen: Die eigene Website verweist auf externe Profile und Erwähnungen. Externe Profile und Erwähnungen bestätigen, was die eigene Website sagt. KI- und Suchsysteme finden auf beiden Seiten dasselbe – und können die Entität damit zuverlässig einordnen.
Hier ist es wichtig, präzise zu bleiben. Die Beleglage ist nicht gleich stark für alle Systeme.
Microsoft hat sich unter den großen Plattformbetreibern bislang am deutlichsten öffentlich positioniert. Karin Madhavan vom Microsoft Advertising-Team hat im Oktober 2025 auf dem offiziellen Blog beschrieben, dass Schema-Markup Suchmaschinen und KI-Systemen hilft, Inhalte zu verstehen und Plaintext in maschineninterpretierbare strukturierte Daten zu übersetzen – und empfiehlt es als Maßnahme für die Sichtbarkeit in KI-generierten Suchantworten. Bereits im März 2025 hatte ein Microsoft-Vertreter auf der SMX Munich bestätigt, dass Schema-Markup den eigenen Sprachmodellen beim Inhaltsverständnis hilft.
Google beschreibt strukturierte Daten weiterhin als Hilfe, den Inhalt einer Seite zu verstehen. Für generative KI-Funktionen wie AI Overviews und AI Mode stellt Google klar, dass kein zusätzliches, KI-spezifisches Markup erforderlich ist – und dass bestehende SEO-Grundlagen die Basis bilden. Das ist keine Ablehnung von Schema.org; es ist eine Einordnung: Schema ist Teil des Fundaments, kein eigenständiger Hebel für KI-Erwähnungen. Danny Sullivan von Google hat im Dezember 2025 im Podcast Search Off the Record in dieselbe Richtung argumentiert: Strukturierte Daten allein sorgen nicht dafür, dass man in KI-Antworten gewinnt.
ChatGPT und Perplexity haben keine vergleichbaren öffentlichen Statements gemacht. Ein im Februar 2026 dokumentierter Test liefert dazu eine wichtige, aber begrenzte Erkenntnis: Auf einer Testseite wurde absichtlich ungültiges Schema-Markup platziert, um zu prüfen, ob beide Systeme es beim direkten Live-Abruf der Seite anders behandeln als normalen Seitentext. Das Ergebnis: kein erkennbarer Unterschied. Structured Data hatte in dieser spezifischen Phase keinen Sonderstatus. Diese Beobachtung ist relevant – aber sie betrifft ausschließlich den Moment, in dem ein System eine Seite direkt für eine Antwortgenerierung abruft. Was in vorgelagerten Phasen passiert, etwa beim Crawling und bei der Indexierung durch Suchmaschinen, lässt sich daraus nicht ableiten. In diesen Phasen spielen strukturierte Daten plausibel eine andere Rolle. Für das Training von Sprachmodellen ist das offen, da JSON-LD bei der Textextraktion häufig entfernt wird.
Die ehrliche Einordnung: Wer behauptet, Schema.org sei nachweislich ein direkter Faktor für KI-Zitate und -Empfehlungen, überschreitet den Belegstand. Wer behauptet, Schema.org sei für KI-Systeme irrelevant, ignoriert die vorliegende Evidenz und denkt zu kurz.
Unabhängig davon, was Plattformbetreiber öffentlich kommunizieren oder nicht – rein logisch betrachtet spricht vieles dafür, dass strukturierte Daten in KI-Systemen eine Rolle spielen.
Für Maschinen ist es schlicht einfacher, maschinenlesbar aufbereitete Inhalte auszulesen, als sich einzelne Informationsfragmente von verschiedenen Unterseiten zusammenzusuchen und zu einem kohärenten Gesamtbild zu kombinieren. Wer einem System diese Arbeit abnimmt, macht es ihm leichter – nicht schwerer.
Und: Google gehört zu den Gründungsmitgliedern von Schema.org. Es ist schwer vorstellbar, dass ausgerechnet in Googles eigenen KI-Systemen – AI Mode, Gemini – strukturierte Daten keine Rolle spielen. Das wäre ein bemerkenswerter Widerspruch zur eigenen Initiative.
All das ist keine belegte Kausalität. Aber es ist der logische Schluss aus dem, was wir über Systemarchitektur und die Entstehungsgeschichte des Standards wissen.
Die belastbarste Beschreibung dessen, was Entitätsmodellierung für KI-Sichtbarkeit tut, ist folgende:
Sie ist ein Gateway – ein Eingangstor. Kein Garant.
Für belastbare Unternehmens- und Markenempfehlungen muss ein System verstehen, welche Informationen und Signale zu welcher Entität gehören. Entitätsmodellierung verbessert genau diese Zuordnungsqualität. Ob ein Unternehmen danach tatsächlich zitiert, erwähnt oder empfohlen wird, hängt von weiteren Faktoren ab, die Entitätsmodellierung nicht ersetzen kann: externe Autorität, thematische Relevanz, Qualität des Contents, Erwähnungsdichte in seriösen Quellen.
Zwei Mechanismen erklären, warum strukturierte Daten dennoch einen plausiblen Vorteil bieten:
Fehlerreduktion über mehrere Quellen hinweg.
Je mehr unterschiedliche Quellen ein System kombinieren muss, um eine Entität zu verstehen, desto mehr Fehlerquellen akkumulieren sich – unterschiedliche Schreibweisen, fehlende Verknüpfungen, Verwechslungsgefahr mit ähnlich benannten Entitäten. Ein zentrales, intern konsistentes Schema.org-Dokument kann diesen Fehlerkanal strukturell verkürzen.
Geringerer Interpretationsbedarf.
Explizit ausgezeichnete, strukturierte Daten reduzieren die notwendige Inferenz, die ein System leisten muss, um dieselbe Information aus unstrukturiertem Fließtext herauszulesen. Das bedeutet nicht, dass ein System ohne Schema.org weniger crawlt. Es bedeutet, dass explizite Information an dem Punkt, an dem eine Entität disambiguiert werden muss, weniger Interpretation erfordert als implizite.
Beide Argumente sind logisch konsistent und technisch plausibel. Sie sind jedoch kein empirischer Beweis.
Stellen Sie sich vor, Sie gehen in die Disco. Sie können die attraktivste, witzigste und bestgekleidete Person des Abends sein – wenn der Türsteher Sie nicht reinlässt, spielt das alles keine Rolle. Sie gehen dennoch allein nach Hause.
Genau so sehe ich Entitätsmodellierung: kein Garant dafür, dass Sie in KI-Antworten erwähnt, zitiert oder empfohlen werden. Aber sie erhöht die Chance, dass der Türsteher Sie erkennt und richtig einordnet.
Eine Semrush-Analyse aus Januar 2026 hat fünf Millionen URLs ausgewertet, die von KI-Systemen zitiert wurden. Organization-Schema war dabei der am häufigsten vorkommende Schema-Typ: bei rund 25 % der von ChatGPT Search zitierten URLs und bei 34 % der von Google AI Mode zitierten URLs.
Das sind konkrete Zahlen – aber keine Kausalität. Gut etablierte Unternehmen mit hoher Autorität implementieren erfahrungsgemäß eher strukturiertes Markup. Die Ursache für ihre Erwähnungen in KI-Antworten könnte also ihre Autorität sein, nicht das Schema. Ein Vergleich zur Web-Grundgesamtheit oder zu nicht zitierten URLs fehlt. Die Zahlen zeigen, dass Organization-Schema unter zitierten Seiten verbreitet ist. Ob es zur Zitierung beiträgt, lässt sich daraus nicht ableiten.
KI-Logik, übersetzt in 0–100 Scores
Stärken und Schwächen auf einen Blick
Bis zu 90% Übereinstimmung mit ChatGPT-Einschätzung
kostenlos · von Profis erstellt · per Mail in 24h

Schema.org und digitale Entitätsmodellierung schaffen die technische Infrastruktur, um die Eingangshürde der Erkennung und Zuordnung möglichst sauber zu nehmen – bevor Autorität, Content und Relevanz darüber entscheiden, ob ein Unternehmen zitiert, erwähnt oder empfohlen wird.
Die richtige Reihenfolge in der Praxis:
Entitätsmodellierung ist für GEO das, was eine saubere technische Basis für SEO ist: Sie sorgt dafür, dass alles andere der richtigen Entität zugeordnet werden kann.
Die Frage lautet nicht: „Liest KI Schema.org?" Die Frage lautet: „Kann die KI mein Unternehmen eindeutig erkennen, korrekt zuordnen und von ähnlich benannten Entitäten unterscheiden?"
Strukturierte Daten verbessern diese Erkennbarkeit. Sie ersetzen keine Autorität und keinen guten Content. Aber sie erleichtern, dass beides der richtigen Entität gutgeschrieben – und damit zitiert, erwähnt oder empfohlen – werden kann.
Das ist kein Versprechen. Es ist ein Tor, das man öffnen sollte – bevor man sich fragt, warum niemand reinkommt.
Kostenlose Ersteinschätzung vom Profi
Klarheit zu Ihrem größten Hebel
Direkt mit dem Gründer
30 Min. · keine Vorbereitung nötig · kein Verkaufsgespräch

Madhavan, K. (2025, Oktober). Optimizing your content for inclusion in AI search answers. Microsoft Advertising Blog.
https://about.ads.microsoft.com/en/blog/post/october-2025/optimizing-your-content-for-inclusion-in-ai-search-answers
Schwartz, B. (2025, März). Microsoft Bing/Copilot use schema for its LLMs. Search Engine Land.
https://searchengineland.com/microsoft-bing-copilot-use-schema-for-its-llms-453455
Schwartz, B. (2026, Februar). ChatGPT & Perplexity treat structured data as text on a page. Search Engine Roundtable.
https://www.seroundtable.com/chatgpt-perplexity-structured-data-text-40862.html
Semrush (2026, Januar). How do technical SEO factors impact AI search?
https://www.semrush.com/blog/technical-seo-impact-on-ai-search-study/
Google Search Central (o. D.). Introduction to structured data markup.
https://developers.google.com/search/docs/appearance/structured-data/intro-structured-data
Google Search Central (o. D.). AI features and your website.
https://developers.google.com/search/docs/appearance/ai-features
Google Search Central (o. D.). Organization structured data.
https://developers.google.com/search/docs/appearance/structured-data/organization
Google Search Central (2025, Dezember). Thoughts on SEO & SEO for AI, part 1. Search Off the Record [Podcast].
https://search-off-the-record.libsyn.com/thoughts-on-seo-seo-for-ai-part-1
Praxis, Einordnung und aktuelle Entwicklungen rund um GEO, SEO und KI-Sichtbarkeit.
Kommentare (0)
Keine Kommentare gefunden!