Experten-Leitfaden
Schema-Markup für KI: strukturierte Daten richtig einsetzen
Schema-Markup ist strukturierter Code, der Maschinen erklärt, was Ihre Inhalte bedeuten. Für KI-Sichtbarkeit ist es das Fundament: Es macht Ihr Unternehmen, Ihren Autor und Ihre Inhalte zu eindeutigen Entitäten, die ein Sprachmodell verlässlich erkennt. Dieser Leitfaden zeigt, welche Typen zählen, wie man sie als JSON-LD implementiert — mit Code-Beispiel — und welche Fehler Sie vermeiden.
Warum Schema-Markup für die KI-Suche entscheidend ist
Ein Mensch liest eine Website und versteht aus dem Kontext, dass „Innopulse Consulting GmbH" ein Unternehmen und „Leutrim Miftaraj" eine Person ist. Eine Maschine sieht zunächst nur Text. Schema-Markup schliesst diese Lücke: Es sagt der Maschine explizit, was jede Information bedeutet — das ist eine Organisation, das ihr Gründer, das eine Frage mit ihrer Antwort.
Für die klassische Google-Suche brachte Schema vor allem Rich Results — Sternebewertungen, FAQ-Aufklapper, Breadcrumbs. Für die KI-Suche ist die Rolle grundlegender: KI-Systeme bauen aus strukturierten Daten ein Verständnis von Entitäten und ihren Beziehungen auf. Wer als klar definierte Entität mit Fachgebieten und Verknüpfungen vorliegt, wird eher als vertrauenswürdige Quelle erkannt und zitiert als eine Website aus unstrukturiertem Text. Schema reduziert Mehrdeutigkeit — und Mehrdeutigkeit ist der Feind der Zitierung.
Die wichtigsten Schema-Typen für KI-Sichtbarkeit
Nicht die Menge zählt, sondern das Fundament und die konsistente Verknüpfung. Diese Typen in dieser Priorität:
OrganizationDefiniert Ihr Unternehmen als Entität mit Name, Beschreibung, Gründer und Verknüpfungen. Die Basis, damit die KI weiss, wer Sie sind.
FundamentPersonMacht den Autor oder Gründer zur eigenen Entität mit Fachgebieten (knowsAbout). Zentral für E-E-A-T und Autorenautorität.
FundamentArticleVerknüpft Inhalte mit einem Autor und einem Datum. Signalisiert Aktualität und Zurechenbarkeit — beides zitierrelevant.
HochFAQPageStrukturiert Frage-Antwort-Paare maschinenlesbar. KI-Systeme extrahieren daraus direkt zitierfähige Antworten.
HochBreadcrumbListZeigt die Position einer Seite in der Struktur. Hilft der KI, Kontext und Hierarchie zu verstehen.
MittelService / ProductBeschreibt konkrete Leistungen oder Produkte. Erlaubt der KI, Sie der passenden Anfrage zuzuordnen.
MittelDefinedTermDefiniert Fachbegriffe als eigene Entitäten. Stärkt Ihre Rolle als Wissensquelle für ein Thema.
ErgänzendSpeakableSpecificationMarkiert die vorlesbare Kernaussage einer Seite. Relevant für Sprachassistenten und KI-Antworten.
ErgänzendPraxisbeispiel: Organization mit Person (JSON-LD)
Das Fundament: Ihr Unternehmen als Entität, verknüpft mit dem Gründer als Person. Beachten Sie die @id-Referenzen — sie machen beide über die ganze Website hinweg wiedererkennbar:
{
"@context": "https://schema.org",
"@type": "Organization",
"@id": "https://ihredomain.ch/#organization",
"name": "Ihr Unternehmen AG",
"url": "https://ihredomain.ch",
"description": "Schweizer Anbieter von [Leistung] in [Ort].",
"founder": {
"@type": "Person",
"@id": "https://ihredomain.ch/#founder",
"name": "Vorname Nachname",
"jobTitle": "Geschäftsführer",
"knowsAbout": ["[Fachgebiet 1]", "[Fachgebiet 2]"]
},
"areaServed": { "@type": "Country", "name": "Schweiz" },
"sameAs": ["https://www.linkedin.com/company/..."]
}Dieser Block gehört in ein <script type="application/ld+json">-Tag. Auf weiteren Seiten referenzieren Sie dieselbe Entität nur noch über ihre @id, statt sie neu zu beschreiben.
Das Prinzip: ein verbundener Entitäten-Graph
Der häufigste Anfängerfehler ist, Schema als lose Sammlung einzelner Blöcke zu behandeln. Der eigentliche Wert entsteht erst, wenn alle Teile miteinander verbunden sind. Dafür gibt es zwei Werkzeuge: den @graph-Container, der alle Knoten einer Seite bündelt, und die @id-Referenz, die Entitäten seitenübergreifend identifiziert.
Konkret: Ihre Organization hat eine @id. Jeder Article verweist über author auf die @id Ihrer Person. Jede Person verweist über worksFor auf die @id der Organization. So entsteht ein zusammenhängender Graph statt isolierter Fragmente. Ein KI-System, das diesen Graphen liest, versteht nicht nur einzelne Fakten, sondern die Beziehungen dazwischen — und genau das macht Sie als Entität erkennbar und zitierfähig.
Die häufigsten Fehler bei Schema-Markup
Isolierte Blöcke ohne @id
Schema-Knoten ohne eindeutige @id lassen sich nicht verknüpfen. Es entstehen Fragmente statt eines Graphen.
Schema widerspricht dem Inhalt
Ausgezeichnete Daten, die nicht dem sichtbaren Inhalt entsprechen, gelten als Manipulation und schaden.
Falscher Typ gewählt
Eine Dienstleistungsseite als Product auszuzeichnen oder umgekehrt verwirrt statt zu klären.
Nur Rich-Results im Blick
Wer Schema nur für Google-Sternchen einsetzt, verschenkt die Entitäts-Signale, die für KI zählen.
Nie validiert
Ein Tippfehler im JSON macht den ganzen Block unbrauchbar. Ohne Validierung bleibt das unbemerkt.
Autor fehlt
Inhalte ohne Person-Entität als Autor verschenken das wichtigste E-E-A-T-Signal.
So gehen Sie vor
1. Entitäten zuerst
Definieren Sie Organization und Person mit eindeutiger @id. Das ist das Fundament, auf dem alles aufbaut.
2. Inhalte auszeichnen
Ergänzen Sie Article, FAQPage und Service — und verknüpfen Sie jeden über @id mit Ihren Entitäten.
3. In @graph bündeln
Liefern Sie alle Knoten einer Seite in einem @graph-Block aus, statt viele einzelne Script-Tags.
4. Validieren
Prüfen Sie mit Googles Rich-Results-Test und dem Schema.org-Validator, ob alles fehlerfrei erkannt wird.
Klingt aufwändig? Ist es teils auch. Genau diese saubere Entitäts-Struktur setzen wir bei jedem Mandat um — und Sie sehen im kostenlosen Scan zuerst, was bei Ihnen bereits vorhanden ist.
Häufige Fragen zu Schema-Markup
Was ist Schema-Markup und warum ist es für KI wichtig?
Schema-Markup ist strukturierter Code (meist als JSON-LD), der einer Maschine erklärt, was die Inhalte einer Seite bedeuten: Das hier ist eine Organisation, das ein Autor, das eine Frage-Antwort. KI-Systeme nutzen diese Struktur, um Inhalte sicher zu verstehen und als Quelle zu verwenden. Ohne Schema muss die KI raten; mit Schema weiss sie es.
Welches Format sollte ich verwenden — JSON-LD oder Microdata?
JSON-LD. Es ist von Google empfohlen, sauber vom sichtbaren Inhalt getrennt (ein Script-Block im Head oder Body) und am einfachsten zu pflegen. Microdata und RDFa verweben den Code in das HTML und sind fehleranfälliger. Alle modernen Empfehlungen setzen auf JSON-LD.
Welche Schema-Typen sind für KI-Sichtbarkeit am wichtigsten?
Das Fundament bilden Organization und Person — sie definieren Sie und Ihren Autor als Entitäten. Darauf bauen Article (Autor und Datum), FAQPage (zitierfähige Antworten) und BreadcrumbList (Kontext) auf. Entscheidend ist weniger die Menge als die konsistente Verknüpfung über @id-Referenzen.
Was bedeutet @id im Schema und warum ist es wichtig?
Die @id ist eine eindeutige Kennung für eine Entität, etwa https://ihredomain.ch/#organization. Sie erlaubt es, dieselbe Entität über mehrere Seiten und Schema-Blöcke hinweg zu referenzieren, statt sie jedes Mal neu zu beschreiben. So entsteht ein zusammenhängender Entitäten-Graph — genau das, was KI-Systeme brauchen, um Sie verlässlich zu erkennen.
Garantiert Schema-Markup bessere KI-Sichtbarkeit?
Nein, keine einzelne Massnahme garantiert das. Schema ist aber eine der zuverlässigsten Grundlagen: Es reduziert Mehrdeutigkeit und macht Ihre Inhalte maschinenlesbar. Ohne sauberes Schema ist alles Weitere schwerer. Wir behandeln es als Pflichtfundament, nicht als Wundermittel — und prüfen im kostenlosen Scan, was bei Ihnen schon vorhanden ist.