Schema.org für KI: Welche Markups LLMs bevorzugen

Über kaum ein SEO-Thema wird so viel behauptet wie über Schema.org und KI. Dass ChatGPT, Perplexity oder die Google AI Overviews bestimmte Markup-Typen bevorzugt verarbeiten, steht in Dutzenden Artikeln. Nachprüfbar ist es nicht. Kein Anbieter dokumentiert, wie strukturierte Daten in die Antwortgenerierung einfließen, und niemand außerhalb dieser Unternehmen kann es messen.

Die kurze Antwort vorweg: Belegbar ist der Teil, den Google für Rich Results dokumentiert. Alles, was darüber hinaus über die Verarbeitung in Sprachmodellen gesagt wird, ist Plausibilität, keine Messung. Dieser Artikel trennt beides, zeigt an gültigem JSON-LD, wie Sie Organization, Article und FAQPage korrekt aufbauen, und benennt in einem eigenen Abschnitt, was Markup nachweislich nicht leistet. Wie sich das in eine Strategie für Generative Engine Optimization einfügt, ist ein eigenes Thema.

Was Google für strukturierte Daten dokumentiert

Google führt im Search Central eine Galerie der unterstützten Markup-Typen. Es sind rund 30 Rich-Result-Typen, von Rezept über Stellenanzeige bis Produkt. Zu jedem steht dort, welche Eigenschaften Pflicht sind und welche empfohlen. Das ist die einzige Ebene, auf der sich die Wirkung von Markup wirklich prüfen lässt: Sie schalten es live, testen es im Rich Results Test und sehen in der Search Console über die folgenden Wochen, ob Google das Feature ausspielt.

Diese Dokumentation ist auch der Ort, an dem Sie den Unterschied zwischen Pflicht- und Empfehlungseigenschaften nachlesen. Fehlt eine Pflichtangabe, entfällt das Feature komplett. Fehlt eine empfohlene, kann Google es ausspielen, tut es aber seltener. Bei einem Produkt sind das etwa Preis, Währung und Verfügbarkeit, bei einer Stellenanzeige das Enddatum. Wer hier schludert, sieht in der Search Console unter „Verbesserungen“ Warnungen statt Fehler, und Warnungen werden gern überlesen.

Zwei Punkte daran werden regelmäßig übersehen. Erstens sind strukturierte Daten kein Rankingfaktor. Google wiederholt das seit Jahren unverändert: Markup erzeugt Darstellungsformen, es hebt keine Position. Zweitens hat Google das Angebot 2023 spürbar zusammengestrichen. Die HowTo-Rich-Results wurden abgeschaltet, FAQ-Rich-Results zeigt Google seither nur noch für eine kleine Gruppe von Behörden- und Gesundheitsseiten. Wer heute FAQ-Markup einbaut und die Aufklapper in der Ergebnisliste erwartet, wartet vergeblich. Wie das Feature früher aussah, steht im Beitrag zu FAQ-Markup und den Accordion-Boxen in den SERPs.

Das heißt nicht, dass FAQPage und HowTo wertlos wären. Es heißt: Der dokumentierte, von außen überprüfbare Nutzen ist bei diesen beiden Typen weg. Was bleibt, ist die maschinenlesbare Struktur an sich. Wie Schema.org als Vokabular aufgebaut ist und welche Typen aufeinander verweisen, zeigt der Beitrag zu strukturierten Daten mit Schema.org.

Welche Schema-Typen für LLMs sinnvoll sind

Hier beginnt der Bereich ohne harte Zahlen. Was sich technisch sagen lässt: Ein KI-Assistent, der eine Seite live abruft, holt HTML und zieht daraus Text. Viele dieser Extraktionsschritte entfernen <script>-Blöcke vollständig, und JSON-LD steht genau in so einem Block. Ob Ihr Markup beim Modell überhaupt ankommt, hängt also an einer Pipeline, die kein Anbieter offenlegt. Wer behauptet, ein bestimmter Typ werde „bevorzugt verarbeitet“, weiß nicht mehr als Sie.

Für die Trainingsseite lässt sich sogar das Gegenteil zeigen. Ein großer Teil der öffentlich verfügbaren Trainingskorpora stammt aus Common Crawl, und die dort ausgelieferten Textdateien enthalten ausschließlich extrahierten Fließtext. Skriptblöcke, und damit JSON-LD, fallen bei dieser Aufbereitung heraus. Was ein Modell aus Ihrer Seite gelernt hat, hat es sehr wahrscheinlich aus dem sichtbaren Text gelernt, nicht aus dem Markup. Beim Live-Abruf sieht es anders aus, dort holt der Assistent das rohe HTML, und was danach passiert, entscheidet der jeweilige Extraktor.

Der wahrscheinlichere Wirkungsweg ist indirekt, und er ist der interessantere. Wer eine Seite sauber als FAQPage auszeichnet, hat vorher echte Fragen formuliert und kurze, abgeschlossene Antworten geschrieben. Genau diese Antworten stehen im sichtbaren Text, und der landet garantiert beim Modell. Die Disziplin, die gutes Markup erzwingt, verbessert den Inhalt. Das ist belegbar. Dass die JSON-Zeilen daneben zusätzlich gelesen werden, ist eine Annahme.

Unter dieser Einschränkung sind vier Typen die naheliegende Wahl, weil sie abgeschlossene Informationseinheiten beschreiben statt Fließtext:

• FAQPage. Jede Frage-Antwort-Einheit ist ein zitierbarer Block. Kein Rich Result mehr, aber die klarste Struktur, die Schema.org für Frage-Antwort-Inhalte hergibt.
• Article. Liefert Autor, Herausgeber, Veröffentlichungs- und Änderungsdatum. Das Datum ist der einzige Teil davon, den auch ein Mensch in der Suche sieht.
• Organization. Definiert Ihr Unternehmen als eindeutige Entität. Grundlage für Knowledge Panel und Markenerkennung, hier gibt es dokumentierte Wirkung.
• HowTo. Strukturiert Anleitungen in nummerierte Schritte. Seit der Abschaltung ohne Effekt in der Suche, als Gliederungsdisziplin trotzdem brauchbar.

Andere Typen sind für die Suche wertvoll und für KI-Antworten wahrscheinlich irrelevant. BreadcrumbList verbessert die Pfadanzeige in der SERP. Review erzeugt Sterne, unterliegt aber engen Regeln für selbst gesammelte Bewertungen. Für lokale Unternehmen lohnt LocalBusiness mit präzisen Adress- und Kontaktdaten, weil Assistenten bei Standortfragen auf strukturierte Quellen zurückgreifen und diese Daten ohnehin in Ihr Google Business Profil gehören.

Was Markup nachweislich nicht leistet

Dieser Abschnitt fehlt in fast allen Artikeln zum Thema, und er ist der ehrlichste Teil.

• Es bewegt kein Ranking. Weder in der klassischen Suche noch, soweit erkennbar, in KI-Antworten. Markup beschreibt, es bewertet nicht.
• Es ersetzt keinen Inhalt. Eine dünne Seite mit perfektem JSON-LD bleibt eine dünne Seite. Das Markup macht die Lücke nur maschinenlesbar.
• Es wirkt nicht ohne Abruf. Ruft ein KI-Crawler Ihre Seite nie ab, ist jedes Markup folgenlos. Was Sie an dieser Stelle steuern können und was nur so aussieht, steht im Beitrag dazu, was llms.txt tatsächlich bringt.
• Es verändert keine Trainingsdaten. Ein Modell mit Wissensstand von vorletztem Jahr kennt Ihre gestern ausgezeichnete Seite nicht. Markup kann nur dort wirken, wo live abgerufen wird.
• Es garantiert kein Rich Result. Gültiges Markup ist die Voraussetzung, die Entscheidung trifft Google, und sie fällt bei kleinen Domains oft negativ aus.

Wer diese fünf Punkte akzeptiert, kommt zu einer nüchternen Erwartung: Schema ist Hygiene, kein Hebel. Sie machen es, weil falsche oder fehlende Angaben schaden, nicht weil richtige Angaben von selbst Sichtbarkeit erzeugen.

Entity-Markup und sameAs

KIs und Suchmaschinen verarbeiten Entitäten, nicht nur Zeichenketten. Eine Entität ist ein eindeutig identifizierbares Objekt, also Ihr Unternehmen, eine Person, ein Ort. Damit ein System Ihre Marke als feste Entität ablegt, muss es sie an mehreren Stellen im Web wiedererkennen. Dafür ist sameAs gedacht, und diese Eigenschaft gehört zu den wenigen, für die Google einen konkreten Zweck dokumentiert: die Verknüpfung Ihrer Organisation mit ihren Profilen auf anderen Plattformen.

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

Praktisch gehen Sie in drei Schritten vor. Sie legen die kanonische Schreibweise fest, korrigieren sie überall dort, wo Sie selbst Zugriff haben, und tragen erst dann die geprüften Profil-URLs ins sameAs-Array ein. Die Reihenfolge ist wichtig, weil ein Verweis auf ein Profil mit abweichendem Namen die Uneindeutigkeit festschreibt statt sie aufzulösen. Dasselbe gilt für Adresse und Telefonnummer: Was im LocalBusiness-Markup steht, muss mit dem Impressum und dem Google Business Profil zusammenpassen, sonst hat ein System drei Versionen Ihres Unternehmens vor sich.

Besonders tragfähig ist die Verknüpfung mit Wikidata, weil dieser Datenbestand in zahlreiche Wissensgraphen und Trainingskorpora einfließt. Ein Eintrag dort ist allerdings an Relevanzkriterien gebunden und für die meisten kleinen Unternehmen kein realistischer Schritt. Bleiben LinkedIn, das Google Business Profil und ein bis zwei einschlägige Branchenverzeichnisse, konsistent geschrieben und aktuell gehalten.

JSON-LD sauber implementieren

Google und die gängigen Crawler verarbeiten JSON-LD am zuverlässigsten. Es steht getrennt vom sichtbaren HTML in einem Skriptblock, ist les- und versionierbar. Mehrere Typen fassen Sie am besten in einem @graph zusammen, dann können die Objekte sich per @id gegenseitig referenzieren, statt dieselben Daten zweimal zu enthalten:

{
  "@context": "https://schema.org",
  "@graph": [
    {
      "@type": "Organization",
      "@id": "https://seofx.de/#organization",
      "name": "SEOFX",
      "url": "https://seofx.de/",
      "logo": {
        "@type": "ImageObject",
        "url": "https://seofx.de/images/logo.webp",
        "width": 270,
        "height": 136
      },
      "telephone": "+4991291439894",
      "email": "hello@seofx.de",
      "sameAs": [
        "https://www.linkedin.com/company/seofx",
        "https://www.provenexpert.com/seofx"
      ]
    },
    {
      "@type": "Article",
      "@id": "https://seofx.de/blog/schema-fuer-ki-llms/#article",
      "headline": "Schema.org für KI: Welche Markups LLMs bevorzugen",
      "datePublished": "2026-07-01",
      "dateModified": "2026-08-30",
      "mainEntityOfPage": "https://seofx.de/blog/schema-fuer-ki-llms/",
      "author": { "@id": "https://seofx.de/#organization" },
      "publisher": { "@id": "https://seofx.de/#organization" }
    }
  ]
}

Entscheidend ist, dass jeder @id-Verweis auch ein Ziel im selben Graph oder unter derselben Adresse hat. Ein publisher mit einer @id, die nirgends definiert ist, ist ein leerer Zeiger. Der Validator meldet das nicht immer, weil es syntaktisch gültig bleibt.

Ein FAQPage-Markup folgt demselben Prinzip. Jede Frage ist ein eigenes Question-Objekt mit genau einer acceptedAnswer, und beide brauchen einen text beziehungsweise name:

{
  "@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."
    }
  }]
}

Achten Sie außerdem auf die Datentypen. Datumsangaben gehören im Format nach ISO 8601 in das Feld, also 2026-08-30 und nicht der 30. August 2026. Zahlenwerte stehen ohne Währungszeichen und ohne Tausenderpunkt. Ein Answer-Text darf einfaches HTML enthalten, ein name nicht. Solche Kleinigkeiten sind der Grund, warum handgepflegtes Markup mit der Zeit auseinanderläuft.

Der beste Schutz dagegen ist, das JSON-LD aus derselben Datenquelle zu erzeugen wie den sichtbaren Text. In einem statisch generierten Projekt heißt das: Die Frage steht einmal im Datenmodell, das Template rendert daraus die Überschrift auf der Seite und den name im Schema. Dann kann beides gar nicht mehr auseinanderfallen, und eine Korrektur wirkt an beiden Stellen gleichzeitig.

Zwei Regeln machen den Unterschied. Das Markup muss exakt den sichtbaren Inhalt abbilden, sonst riskieren Sie eine manuelle Maßnahme. Und das JSON-LD muss im initial ausgelieferten Quelltext stehen, nicht erst per JavaScript nachgeladen werden, weil ein Teil der Crawler kein JavaScript rendert. Ob es im <head> oder am Anfang des <body> steht, ist dagegen gleichgültig.

Markup prüfen, bevor es live geht

Drei Werkzeuge decken fast alle Fälle ab. Der Schema Markup Validator unter validator.schema.org prüft die reine Syntax gegen das Vokabular und meldet auch Eigenschaften, die es an diesem Typ nicht gibt. Der Google Rich Results Test zeigt, welches Feature Google aus Ihrem Markup ableiten würde. Die Search Console zeigt danach über Wochen, ob das im Index auch so ankommt. Die typischen Fehlerbilder und ihre Ursachen haben wir unter strukturierte Daten testen und Fehler eingrenzen gesammelt.

Wenn Sie Markup von einem Sprachmodell erzeugen lassen, prüfen Sie es doppelt. Erfundene Eigenschaften, die es im Vokabular nicht gibt, und @id-Verweise ins Nichts sind die beiden häufigsten Muster. Wie Sie Markup mit KI-Werkzeugen erzeugen und gegenprüfen, ist ein Thema für sich.

Die kompakte Abnahmeliste vor dem Deploy:

• Organization mit @id und gepflegtem sameAs seitenweit eingebunden.
• Markenname überall identisch geschrieben, auch im Impressum und im Footer.
• Jede FAQ-Antwort im Schema steht wortgleich im sichtbaren Text.
• datePublished und dateModified stimmen mit dem, was die Seite anzeigt.
• Keine Eigenschaft verwendet, die der Validator nicht kennt.
• Alle @id-Referenzen haben ein definiertes Ziel.
• JSON-LD im Quelltext sichtbar, ohne JavaScript.

Für die KI-Seite gibt es kein Werkzeug, das Zitate zuverlässig misst, und es wird auch keins geben, solange die Anbieter nichts offenlegen. Zwei Behelfe sind trotzdem besser als nichts. Der erste sind die Server-Logs: Filtern Sie nach GPTBot, PerplexityBot, ClaudeBot und Google-Extended und sehen Sie nach, ob und wie oft diese Ihre Seiten überhaupt abrufen. Kommt keiner davon vorbei, ist die Markup-Frage ohnehin die falsche Baustelle. Der zweite sind Stichproben: Stellen Sie ein Dutzend typischer Branchenfragen in ChatGPT und Perplexity und notieren Sie, ob Ihre Domain als Quelle auftaucht.

Beides sind Indizien, keine Messwerte. Die Antworten der Assistenten schwanken bei identischer Frage, personalisieren teilweise und ändern sich mit jedem Modell-Update. Wer daraus eine Kurve baut, misst vor allem Rauschen. Als grobe Richtungsanzeige über mehrere Monate taugt es, als Erfolgsnachweis gegenüber einem Kunden nicht.

Korrektheit schlägt Quantität. Fünf saubere Angaben sind mehr wert als zwanzig, von denen drei falsch sind.

Fazit

Trennen Sie Beleg und Vermutung, dann wird das Thema handhabbar. Belegt ist, was Google für Rich Results dokumentiert, und dass FAQ und HowTo dort seit 2023 nichts mehr auslösen. Alles über die Verarbeitung in Sprachmodellen ist begründete Annahme. Bauen Sie Ihr Markup trotzdem sauber, aber erwarten Sie davon Ordnung, keine Sichtbarkeit.