Schema.org fuer KI: Welche Markups LLMs bevorzugen

KI-Assistenten lesen Ihre Website anders als ein Mensch. ChatGPT, Perplexity und Google AI Overviews verarbeiten Inhalte am liebsten, wenn diese maschinenlesbar strukturiert sind - und genau dafür ist Schema.org gemacht. Studien zeigen, dass Seiten mit sauberem Markup bis zu 30 % häufiger in KI-Antworten zitiert werden als vergleichbare Seiten ohne strukturierte Daten.

Die kurze Antwort vorweg: Am stärksten profitieren Sie von den Markup-Typen FAQPage, Article, Organization und HowTo, ergänzt um sauberes Entity-Markup mit sameAs. Dieser Artikel zeigt Ihnen, welche Schema-Typen LLMs bevorzugt verarbeiten, wie Sie JSON-LD fehlerfrei implementieren und worin sich Schema für Generative Engine Optimization von klassischem SEO unterscheidet.

Warum strukturierte Daten für LLM-Sichtbarkeit zählen

Ein Large Language Model muss Ihre Inhalte nicht nur lesen, sondern auch verstehen, in welchem Verhältnis die Informationen zueinander stehen. Bei reinem Fließtext muss die KI das Verhältnis erraten. Bei strukturierten Daten bekommt sie es explizit serviert: Hier ist die Frage, hier die Antwort, hier der Autor, hier das Unternehmen, hier das Datum.

Genau dieser Unterschied entscheidet bei der Zitierhäufigkeit. KI-Antworten brauchen verlässliche, klar zuzuordnende Fakten. Eine Aussage, die eindeutig einer Entität und einer Quelle zugeordnet werden kann, wird bevorzugt aufgegriffen. Eine Aussage, die im Fließtext untergeht, wird oft ignoriert.

Strukturierte Daten reduzieren außerdem das Risiko von Fehlinterpretationen. Wenn Sie in JSON-LD klar deklarieren, dass "300 €" der Preis pro Monat ist und nicht etwa eine Einrichtungsgebühr, dann übernimmt die KI diese Zuordnung. Ohne Markup raten ChatGPT oder Perplexity - und raten manchmal falsch. Schema ist damit kein nettes Extra mehr, sondern eine Voraussetzung für korrekte KI-Zitate. Die Grundlagen dazu vertiefen wir im Artikel zu strukturierten Daten mit Schema.org.

Ein zweiter, oft unterschätzter Effekt: Schema spart dem Modell Rechenaufwand. Ein LLM muss bei reinem Fließtext jede Beziehung zwischen den Wörtern neu interpretieren. Bei JSON-LD liegt die Beziehung bereits als Schlüssel-Wert-Paar vor. Das macht Ihre Inhalte nicht nur verständlicher, sondern auch effizienter verwertbar - und effizient verwertbare Quellen werden bei der Antwortgenerierung bevorzugt herangezogen. In der Praxis heißt das: Zwei inhaltlich gleichwertige Seiten konkurrieren um dieselbe Antwort, und die mit dem saubereren Markup gewinnt häufiger.

Hinzu kommt der Faktor Aktualität. KI-Crawler bewerten frische, klar datierte Inhalte höher, weil veraltete Antworten das größte Reputationsrisiko für die Assistenten darstellen. Wer über das Article-Schema ein Veröffentlichungs- und ein Aktualisierungsdatum sauber mitliefert, signalisiert dem Modell direkt, wie aktuell die Information ist. Das ist gerade bei sich schnell verändernden Themen wie SEO und KI ein echter Vorteil.

Welche Schema-Typen KIs bevorzugt verarbeiten

Nicht jedes Markup hilft gleich stark. In der Praxis sehen wir vier Typen, die bei KI-Sichtbarkeit den größten Unterschied machen.

FAQPage. Der mit Abstand wirksamste Typ für KI-Zitate. Jede Frage-Antwort-Einheit ist ein abgeschlossener, zitierbarer Block. LLMs greifen diese Blöcke fast wörtlich auf, weil sie perfekt zur Frage-Antwort-Logik der Assistenten passen.

Article. Markiert redaktionelle Inhalte und liefert Autor, Veröffentlichungsdatum und Herausgeber. Damit kann eine KI einschätzen, wie aktuell und wie vertrauenswürdig eine Aussage ist - ein entscheidender Faktor bei der Quellenauswahl.

Organization. Definiert Ihr Unternehmen als eindeutige Entität. Das ist die Basis dafür, dass eine KI Ihre Marke überhaupt als zusammenhängendes Objekt erkennt und nicht als zufällige Wortkombination.

HowTo. Strukturiert Schritt-für-Schritt-Anleitungen. KI-Assistenten lieben prozedurale Inhalte, weil sie diese direkt als nummerierte Handlungsanweisung ausgeben können. Wer eine Anleitung sauber als HowTo markiert, wird bei "Wie mache ich..."-Fragen bevorzugt herangezogen.

Der gemeinsame Nenner: Diese Typen liefern klar abgegrenzte, in sich geschlossene Informationseinheiten. Genau danach sucht ein LLM, wenn es eine Antwort zusammensetzt. Welche Rolle das FAQ-Markup speziell für Featured Snippets und KI-Antworten spielt, zeigen wir im Detail unter Structured Data und FAQ.

Daneben gibt es Typen, die im klassischen SEO viel bringen, für die reine KI-Sichtbarkeit aber weniger relevant sind. BreadcrumbList etwa verbessert die Darstellung in der Google-SERP, hilft einer KI bei der Antwortgenerierung aber kaum. Review-Markup erzeugt Sternebewertungen in den Suchergebnissen, wird von LLMs aber selten direkt zitiert, weil Bewertungen subjektiv sind. Für lokale Unternehmen lohnt sich zusätzlich LocalBusiness mit präzisen NAP-Daten, weil KI-Assistenten bei Standortfragen genau diese strukturierten Adress- und Kontaktinformationen heranziehen. Die Kunst liegt darin, pro Seite die passenden Typen zu kombinieren, ohne das Markup zu überladen.

Entity-Markup und sameAs für die Entitäten-Erkennung

KIs denken in Entitäten, nicht in Keywords. Eine Entität ist ein eindeutig identifizierbares Objekt - Ihr Unternehmen, eine Person, ein Ort. Damit ein LLM Ihre Marke als feste Entität ablegt, muss es sie an verschiedenen Stellen im Web wiedererkennen. Genau hier kommt die sameAs-Eigenschaft ins Spiel.

sameAs verlinkt Ihre Entität mit ihren Profilen auf anderen Plattformen: Wikipedia, Wikidata, LinkedIn, Branchenverzeichnisse, das Google Business Profil. Jeder dieser Verweise ist für die KI ein Beleg: Das ist dieselbe Organisation. Je mehr konsistente Verknüpfungen vorliegen, desto sicherer ist sich das Modell - und desto eher zitiert es Sie als verlässliche Quelle.

Die Brand-Konsistenz ist dabei der unsichtbare Hebel. Wenn Ihr Name auf der Website "SEOFX", im Verzeichnis "SEO FX Nürnberg" und auf LinkedIn "SEOFX Agentur" heißt, zerfällt Ihre Entität in Bruchstücke. Eine einheitliche Schreibweise über alle Kanäle ist deshalb wichtiger als jedes einzelne Markup-Detail.

Besonders stark wirkt die Verknüpfung mit Wikidata. Wikidata ist eine der wichtigsten Wissensdatenbanken, aus denen LLMs Entitäten lernen. Sobald Ihr Unternehmen oder Ihre Marke dort einen Eintrag besitzt und Sie diesen über sameAs referenzieren, hat das Modell eine kanonische Referenz, an der es alle weiteren Informationen aufhängen kann. Für etablierte Marken ist das ein realistischer Schritt, für junge Unternehmen lohnt sich zumindest die konsistente Pflege von LinkedIn, Google Business Profil und einschlägigen Branchenverzeichnissen. Wichtig ist, im sameAs-Array nur Profile zu hinterlegen, die tatsächlich existieren und gepflegt werden - tote oder erfundene Links schaden mehr, als sie nützen.

JSON-LD sauber implementieren

Google und alle gängigen KI-Crawler bevorzugen JSON-LD. Im Gegensatz zu Microdata oder RDFa steht JSON-LD getrennt vom sichtbaren HTML in einem <script>-Block, ist gut lesbar und leicht zu warten. So sieht ein solides Organization-Markup mit sameAs aus:

{
  "@context": "https://schema.org",
  "@type": "Organization",
  "name": "SEOFX",
  "url": "https://seofx.de/",
  "logo": "https://seofx.de/images/logo.webp",
  "description": "SEO-Agentur aus Nürnberg für lokale Unternehmen.",
  "telephone": "+4991291439894",
  "email": "hello@seofx.de",
  "sameAs": [
    "https://www.linkedin.com/company/seofx",
    "https://www.provenexpert.com/seofx",
    "https://www.google.com/maps/place/seofx"
  ]
}

Ein FAQPage-Markup folgt demselben Prinzip. Jede Frage ist ein eigenes Question-Objekt mit genau einer acceptedAnswer:

{
  "@context": "https://schema.org",
  "@type": "FAQPage",
  "mainEntity": [{
    "@type": "Question",
    "name": "Was kostet SEO für ein lokales Unternehmen?",
    "acceptedAnswer": {
      "@type": "Answer",
      "text": "Professionelles lokales SEO beginnt in der Regel bei rund 300 Euro pro Monat, abhängig von Wettbewerb und Ausgangslage der Website."
    }
  }]
}

Zwei Grundregeln machen den Unterschied. Erstens: Das Markup muss exakt den sichtbaren Inhalt der Seite abbilden. Eine FAQ-Antwort im Schema, die auf der Seite gar nicht steht, wird von Google als Verstoß gewertet und kann zu einer manuellen Abstrafung führen. Zweitens: Verwenden Sie pro Seite eine eindeutige Hierarchie. Eine Artikelseite bekommt Article, eine FAQ-Sektion auf derselben Seite kann zusätzlich als FAQPage ausgezeichnet werden - aber ohne sich zu widersprechen.

Platzieren sollten Sie das JSON-LD idealerweise im <head> Ihrer Seite oder direkt am Anfang des <body>. Beide Positionen sind technisch korrekt, entscheidend ist nur, dass der Crawler das Skript überhaupt findet. Bei modernen Frameworks und statisch generierten Seiten landet das Markup ohnehin sauber im ausgelieferten HTML. Achten Sie darauf, dass das JSON-LD bereits im initial geladenen Quelltext steht und nicht erst per JavaScript nachgeladen wird, denn einige KI-Crawler rendern kein JavaScript und würden das Markup dann übersehen.

Ein weiterer praktischer Hinweis betrifft mehrere Schema-Blöcke auf einer Seite. Sie können entweder mehrere getrennte <script type="application/ld+json">-Blöcke verwenden oder alle Typen in einem @graph-Array zusammenfassen. Beides ist gültig. Die @graph-Variante hat den Vorteil, dass sich Entitäten innerhalb der Seite gegenseitig per @id referenzieren können - der Autor des Artikels verweist dann etwa direkt auf die Organisation. Solche internen Referenzen helfen der KI, die Beziehungen zwischen den Objekten noch eindeutiger zu erfassen.

Schema für GEO vs. klassisches SEO

Im klassischen SEO diente Schema vor allem den Rich Results: Sternebewertungen, FAQ-Aufklapper oder Sitelinks in den Suchergebnissen. Ziel war eine höhere Klickrate auf der Ergebnisseite. Bei GEO verschiebt sich der Zweck grundlegend, weil es oft gar keine klassische Ergebnisseite mehr gibt, sondern direkt eine generierte Antwort.

Bei GEO geht es nicht mehr darum, einen Klick zu gewinnen, sondern darum, als Quelle in der Antwort genannt zu werden. Das verändert die Prioritäten:

• Klassisches SEO. Markup optimiert die Darstellung in der SERP. Fokus auf Review-, Breadcrumb- und Sitelink-Schema für mehr Klicks.
• GEO. Markup optimiert die Verständlichkeit für das Modell. Fokus auf FAQ, Entity und Organization für mehr Zitate.
• Gemeinsam. Sauberes JSON-LD nützt beiden Welten. Wer es einmal richtig macht, bedient SEO und GEO gleichzeitig.

Der entscheidende Punkt: Bei GEO zählt die semantische Klarheit mehr als der visuelle Effekt in der Suche. Eine Sternebewertung sieht in der SERP schön aus, hilft einer KI aber kaum. Ein sauberes Entity-Markup dagegen ist für die KI das Fundament, um Sie überhaupt als nennenswerte Quelle zu betrachten. Wie Sie dieses Markup gezielt für KI-Antworten ausrichten, behandeln wir im Artikel zum KI-Schema-Markup.

Häufige Fehler bei Schema für KI

Auch gut gemeintes Markup kann mehr schaden als nützen, wenn es falsch umgesetzt wird. Diese Fehler sehen wir am häufigsten:

• Markup ohne sichtbaren Inhalt. FAQ-Schema für Fragen, die auf der Seite nicht stehen. Das ist die häufigste Ursache für manuelle Abstrafungen.
• Inkonsistente Markennamen. Im Schema "SEOFX", im Footer "SEO FX". Die KI kann die Entität dann nicht eindeutig zuordnen.
• Leere oder Platzhalter-sameAs. Profile verlinken, die gar nicht existieren oder nicht gepflegt werden. Das untergräbt das Vertrauen statt es aufzubauen.
• Veraltete Daten. Ein Veröffentlichungsdatum von 2021 unter einem aktuellen Artikel signalisiert der KI Irrelevanz.
• Mehrere widersprüchliche Typen. Dieselbe Seite gleichzeitig als Product, Article und LocalBusiness auszeichnen, ohne klare Hierarchie. Das verwirrt sowohl Google als auch LLMs.

Der rote Faden bei all diesen Fehlern: Schema muss die Realität abbilden. Sobald Markup und sichtbarer Inhalt auseinanderdriften, verlieren Sie Vertrauen - bei Google wie bei der KI. Korrektheit schlägt Quantität in jedem Fall.

Test-Tools für Ihr Schema-Markup

Bevor Sie Markup live schalten, sollten Sie es prüfen. Drei Werkzeuge decken den größten Teil der Fälle ab:

• Schema Markup Validator. Das offizielle Tool von Schema.org unter validator.schema.org prüft die rein syntaktische Korrektheit jedes Typs.
• Google Rich Results Test. Zeigt, welche Rich Results Google aus Ihrem Markup ableiten kann und ob es Fehler oder Warnungen gibt.
• Search Console. Im Bereich "Verbesserungen" sehen Sie über Wochen, ob Ihr Markup fehlerfrei indexiert wird oder ob systematische Probleme auftauchen.

Für die KI-Seite gibt es noch kein standardisiertes Tool, das Zitate misst. Was im Agenturalltag funktioniert: Stellen Sie typische Branchenfragen direkt in ChatGPT und Perplexity und prüfen Sie, ob Ihre Domain als Quelle erscheint. Diese Stichproben sind aktuell der praktikabelste Frühindikator für KI-Sichtbarkeit.

Ergänzend lohnt ein Blick in die Server-Logs. Filtern Sie nach den User-Agents der KI-Crawler wie GPTBot, PerplexityBot oder Google-Extended und prüfen Sie, ob und wie oft diese Ihre Seiten abrufen. Wenn ein KI-Crawler Ihre Seite gar nicht erst besucht, kann auch das beste Markup keine Wirkung entfalten. Ein wachsendes Crawl-Volumen dieser Bots ist umgekehrt ein gutes Zeichen, dass Ihre Inhalte für die Modelle relevant geworden sind. Diese Log-Analyse kostet nichts und gibt Ihnen ein realistisches Bild davon, ob Ihre strukturierten Daten überhaupt eine Chance bekommen, gelesen zu werden.

Checkliste: Schema für KI-Sichtbarkeit

Zum Abschluss die wichtigsten Schritte kompakt zusammengefasst:

• Organization-Schema mit vollständigem sameAs-Array auf jeder Seite einbinden.
• Markennamen über alle Kanäle exakt identisch schreiben.
• FAQ-Sektionen mit echten Suchanfragen als FAQPage auszeichnen.
• Redaktionelle Inhalte mit Article inklusive Autor und Datum markieren.
• Anleitungen als HowTo mit nummerierten Schritten strukturieren.
• JSON-LD verwenden, nicht Microdata oder RDFa.
• Jedes Markup vor dem Live-Gang im Rich Results Test prüfen.
• Sichtbaren Inhalt und Markup immer deckungsgleich halten.
• Veröffentlichungs- und Aktualisierungsdaten aktuell pflegen.
• Monatlich per Stichprobe in ChatGPT und Perplexity die Zitierhäufigkeit kontrollieren.

Schema.org ist 2026 die Brücke zwischen Ihren Inhalten und der Art, wie KI-Assistenten die Welt verstehen. Wer FAQ, Article, Organization und HowTo sauber implementiert und seine Entität konsistent über sameAs verknüpft, gibt LLMs genau das, was sie für ein Zitat brauchen: klare Fakten, einer eindeutigen Quelle zugeordnet. Das ist kein einmaliges Projekt, sondern eine Grundlage, die mit jeder neuen Seite mitwächst.