Was ist Schema-Markup, und hilft es in der KI-Suche?
Schema-Markup oder strukturierte Daten ist Code auf einer Seite, meist JSON-LD mit dem Vokabular von schema.org, der Fakten über die Seite und ihr Thema maschinenlesbar angibt. Schema-Markup gibt Fakten über eine Seite an, etwa dass sie eine Organisation beschreibt oder dass ein Produkt so viel kostet, in einer Form, die Maschinen ohne Raten lesen. Es hilft Suchmaschinen, eine Seite zu verstehen. Es ist kein Schalter, der Sie in KI-Antworten bringt.
Wie funktioniert Schema-Markup?
Google definiert strukturierte Daten als standardisiertes Format, um Informationen über eine Seite bereitzustellen und ihren Inhalt einzuordnen. Es unterstützt JSON-LD, Microdata und RDFa, empfiehlt JSON-LD, wo die Website es erlaubt, und merkt an, dass die meisten strukturierten Daten für die Suche das Vokabular von schema.org nutzen (Google Search Central, aktualisiert am 10. Dezember 2025).
Ein JSON-LD-Block steht in einem Script-Tag der Seite und sagt zum Beispiel, dass die Seite eine Organization mit Name, Logo, URL und sameAs-Links zu ihren offiziellen Profilen beschreibt.
Hilft Schema-Markup der KI-Sichtbarkeit?
Nicht als besonderer Hebel, nach Googles eigener Darstellung. Seine Hinweise zu KI-Funktionen sagen, dass Sie keine besonderen strukturierten Daten von schema.org hinzufügen müssen, um in AI Overviews oder AI Mode zu erscheinen, und raten, darauf zu achten, dass strukturierte Daten dem sichtbaren Text der Seite entsprechen (Google Search Central, gelesen am 15. Okt. 2026).
Sein Leitfaden zu generativen KI-Funktionen wiederholt es: Strukturierte Daten sind für generative KI-Suche nicht erforderlich (Google, aktualisiert am 10. Juli 2026). Behauptungen fester prozentualer Zuwächse in KI-Antworten durch Markup konnten wir auf keine veröffentlichte Messung zurückführen (der Beitrag).
Wie sieht das in einem echten Beispiel aus?
Im öffentlichen Tesla-Beispiel (4. Okt. 2026) begann Google AI Overviews auf „Was ist Tesla?“ mit der magnetischen Einheit, bevor es zum Unternehmen kam. Genau diese Mehrdeutigkeit hilft Organization-Markup mit sameAs-Links einem System aufzulösen, indem es eine Website an eine Identität bindet.
Wie eine Antwort beginnt, entscheidet es nicht. Die Antworten in diesem Beispiel zitierten Video-, Foren- und Nachschlageseiten weit öfter als tesla.com, Markup auf den eigenen Seiten der Marke konnte also immer nur ein kleiner Teil des Bildes sein.
Welche Schema-Typen sollte eine Marke nutzen?
Zeichnen Sie aus, was die Seite tatsächlich zeigt:
- Organization: Name, URL, Logo und sameAs-Links zu offiziellen Profilen, auf der Start- oder Über-uns-Seite.
- Product oder SoftwareApplication mit offers, wo eine Seite einen Preis nennt.
- Article mit Autor und Datum, bei Artikeln und Leitfäden.
- BreadcrumbList, für den Platz der Seite in der Website.
- Nichts, was auf der Seite nicht sichtbar ist: Google verlangt, dass Markup dem sichtbaren Text entspricht.
Wie behandelt Proofsource Schema-Markup?
Als Hygiene, nicht als Ranking-Hebel: Das Lückenregister von Proofsource enthält Prüfungen von Entität und Maschinenzugriff neben Lücken bei Zitierungen und Bewertungen, geordnet nach erwartetem Zuwachs im Verhältnis zum Aufwand. Diese Glossarseite selbst trägt DefinedTerm- und FAQPage-JSON-LD, das ihrem sichtbaren Text entspricht. Siehe Opportunities.
Häufige Fragen: Schema-Markup (strukturierte Daten)
Brauche ich besonderes Schema, um in AI Overviews zu erscheinen?
Nein. Google sagt, dass für AI Overviews oder AI Mode kein besonderes schema.org-Markup nötig ist. Indexierbare, snippet-fähige Seiten, die die Frage beantworten, zählen.
Welches Format sollte ich nutzen?
JSON-LD, das Google empfiehlt, wo Ihre Website es erlaubt. Es steht in einem Script-Block und verändert die sichtbare Seite nicht.
Können falsche strukturierte Daten schaden?
Markup, das nicht zur sichtbaren Seite passt, kann sie für Rich Results ungeeignet machen, und falsche Fakten in maschinenlesbarer Form verbreiten sich. Halten Sie es genau.
Hilft FAQ-Markup KI-Antworten?
Es gibt Ihre Fragen und Antworten in Standardform an, aber keine Engine dokumentiert es als Voraussetzung für KI-Antworten. Schreiben Sie die Antwort zuerst klar auf die Seite.
Verwandte Begriffe
- Entität
In Suche und KI ist eine Entität ein eindeutiges, identifizierbares Ding, etwa ein Unternehmen, Produkt, eine Person oder ein Ort, das ein System erkennen und von Dingen mit ähnlichem Namen unterscheiden kann.
- Knowledge Graph
Ein Knowledge Graph ist eine Datenbank von Entitäten und den Fakten, die sie verbinden; der Knowledge Graph von Google ist der bekannteste, mit Millionen Einträgen zu Personen, Orten und Dingen.
- llms.txt
llms.txt ist eine vorgeschlagene Markdown-Datei im Stammverzeichnis einer Website, die Sprachmodellen sagt, was die Website ist, und die lesenswertesten Seiten auflistet.
- E-E-A-T
E-E-A-T steht für Experience, Expertise, Authoritativeness und Trustworthiness (Erfahrung, Fachwissen, Autorität und Vertrauenswürdigkeit), die Eigenschaften, nach denen Googles Systeme laut Google in hilfreichen, verlässlichen Inhalten suchen.
Durchgerechnetes Beispiel: Tesla, öffentliche KI-Antworten, 4. Okt. 2026: der erste Scan von Tesla durch Proofsource, 25 Käuferfragen und 5 Markenfragen, eine Antwort pro Frage auf jeder von vier Engines. Eine kleine Stichprobe einer einzigen Marke, gezeigt als Beispiel, nicht als Benchmark.
Sehen Sie, wo KI Sie auslässt, und was Sie korrigieren sollten.
Sehen Sie, bei welchen Käuferfragen Ihre Marke genannt wird, wer stattdessen genannt wird und was Sie ändern sollten. 200 Antworten. 25 Prompts/Frage. Top-KI-Engines. 2 Tage. Kostenlos. Keine Kreditkarte.
Google AI OverviewsGoogle AI Mode
