Schema-Markup für GEO: So lesen KI-Modelle strukturierte Daten

Warum strukturierte Daten für GEO mehr zählen als für klassisches SEO

Für klassisches SEO war Schema-Markup lange ein Nice-to-have: Rich Snippets, Sternbewertungen, FAQ-Klappen in den Suchergebnissen. Nützlich, aber nicht entscheidend für die Sichtbarkeit. Für Generative Engine Optimization (GEO) verschiebt sich die Gewichtung grundlegend.

KI-Modelle wie ChatGPT, Perplexity oder Gemini arbeiten anders als klassische Suchmaschinen. Sie verarbeiten keine Suchergebnislisten, sie synthetisieren Antworten. Dabei extrahieren sie Fakten, Beziehungen zwischen Entitäten und semantische Bedeutung aus dem Web — sowohl beim Training als auch bei der Laufzeit-Retrieval (Retrieval-Augmented Generation, kurz RAG).

Das Problem unstrukturierter Inhalte: Ein Fließtext kann für KI-Modelle mehrdeutig sein. Ist das eine Meinung oder eine Tatsache? Wer ist der Autor? Für welches Datum gilt diese Aussage? Strukturierte Daten liefern genau diese Disambiguierung — maschinenlesbar, ohne Interpretationsspielraum.

Konkret bedeutet das: Wer Schema-Markup korrekt einsetzt, gibt KI-Systemen eindeutige Signale darüber, wer eine Aussage macht, was der Inhaltstyp ist, wann er aktualisiert wurde und welchem Kontext er zuzuordnen ist. Das erhöht die Wahrscheinlichkeit, dass der eigene Inhalt als verlässliche Quelle in generierten Antworten auftaucht — messbar mehr als bei Seiten ohne Markup.

Strukturierte Daten sind für GEO das, was Meta-Tags für klassisches SEO in den frühen 2000ern waren: ein direkter Kommunikationskanal zwischen Inhalt und Maschine.

Die vier Schema-Typen mit dem größten Einfluss auf KI-Antworten

Nicht alle Schema-Typen sind für GEO gleich relevant. Die folgende Auswahl orientiert sich daran, welche Typen KI-Modellen helfen, Inhalte korrekt zu klassifizieren und bei der Antwortgenerierung zu verwenden.

1. Article und BlogPosting

Article und BlogPosting signalisieren KI-Systemen, dass es sich um redaktionellen Inhalt handelt, dem eine Person oder Organisation verantwortlich gezeichnet. Die Properties author, datePublished und dateModified sind dabei besonders wichtig: Sie liefern EEAT-relevante Signale (Expertise, Erfahrung, Autorität, Vertrauenswürdigkeit) und helfen Modellen, die Aktualität einer Quelle einzuschätzen.

2. FAQPage

FAQPage ist strukturell ideal für KI-Antworten, weil es Inhalte bereits im Frage-Antwort-Format kodiert — exakt das Format, in dem Sprachmodelle Antworten generieren. Seiten mit FAQ-Schema werden bei RAG-basierten Systemen häufiger als direkte Quellen zitiert, weil die Relevanz zur Nutzeranfrage explizit maschinenlesbar ist.

3. HowTo

HowTo mit seinen strukturierten step-Elementen ermöglicht es KI-Modellen, Anleitungen direkt als nummerierte Abfolge zu extrahieren und wiederzugeben. Für Tutorials und Prozessbeschreibungen ist dieser Typ unverzichtbar, wenn man möchte, dass der eigene Inhalt in Schritt-für-Schritt-Antworten auftaucht.

4. Organization und Person

Organization und Person sind die Grundlage für Entitätsmarkup. Sie helfen KI-Modellen, die Quelle eines Inhalts korrekt einer bekannten Entität zuzuordnen. Properties wie sameAs mit Verweisen auf Wikipedia, Wikidata oder Social-Media-Profile stärken die Entitätserkennung erheblich — und damit die Chance, in Antworten zu bekannten Unternehmen oder Personen genannt zu werden.

JSON-LD für GEO-Sichtbarkeit korrekt implementieren

Von den drei Implementierungsformaten — JSON-LD, Microdata und RDFa — empfiehlt Google seit Jahren JSON-LD, und KI-Systeme folgen derselben Präferenz. JSON-LD ist leicht zu warten, koppelt Markup nicht mit dem HTML-Markup und kann zentral im <head> oder am Ende des <body> platziert werden.

Ein minimales, korrektes Beispiel für einen Artikel:

<script type="application/ld+json"> { "@context": "https://schema.org", "@type": "Article", "headline": "Schema-Markup für GEO", "author": { "@type": "Person", "name": "Vorname Nachname", "url": "https://example.com/author" }, "publisher": { "@type": "Organization", "name": "FORGE", "url": "https://forgeproject.eu" }, "datePublished": "2026-10-28", "dateModified": "2026-10-28", "description": "Wie KI-Modelle strukturierte Daten lesen und warum Schema-Markup für GEO kritisch ist." } </script>

Häufige Fehler, die GEO-Sichtbarkeit kosten:

• Fehlende oder falsche dateModified-Angabe: KI-Modelle gewichten aktuelle Quellen höher. Ein veraltetes oder fehlendes Datum schadet der Nutzung als Quelle.
• Leere oder generische description-Felder: Die Description wird häufig direkt für die Entscheidung verwendet, ob ein Dokument relevant für eine Anfrage ist.
• Kein sameAs für Organisationen: Ohne externe Referenz kann ein KI-System die Entität nicht mit ihrem Wissen über bekannte Entitäten verknüpfen.
• Markup ohne inhaltliche Deckung: JSON-LD, das nicht mit dem sichtbaren Seiteninhalt übereinstimmt, wird von Crawlern als irreführend eingestuft und ignoriert oder abgestraft.

Für FAQPage gilt: Jede Frage-Antwort-Kombination muss vollständig im sichtbaren Seiteninhalt vorhanden sein. Das Markup beschreibt den Inhalt — es ersetzt ihn nicht.

Mehrere JSON-LD-Blöcke pro Seite sind erlaubt und sinnvoll. Eine Blogpost-Seite kann gleichzeitig Article, BreadcrumbList und FAQPage in separaten Blöcken tragen.

Schema-Checkliste: 10 Checks für bessere Auffindbarkeit in KI-Modellen

Die folgende Checkliste eignet sich für ein technisches Audit bestehender Seiten oder als Qualitätssicherung vor dem Veröffentlichen neuer Inhalte.

1. Basistyp vorhanden: Jede Seite hat mindestens einen primären Schema-Typ (Article, Product, Service, LocalBusiness etc.), der den Seiteninhalt korrekt beschreibt.
2. Autorenangabe vollständig: author.name und author.url sind gesetzt und verweisen auf eine bekannte Person oder Entität mit eigenem Profil.
3. Publisher mit URL: publisher.name und publisher.url sind korrekt und konsistent auf jeder Seite gesetzt.
4. Datum aktuell und korrekt: datePublished und dateModified im ISO-8601-Format (YYYY-MM-DD), dateModified wird bei inhaltlichen Updates aktualisiert.
5. sameAs für Entitäten: Für Organization und Person-Typen sind externe Referenzen gesetzt (Wikidata, LinkedIn, Wikipedia soweit vorhanden).
6. Description befüllt: Das description-Feld enthält eine präzise, inhaltsgenaue Zusammenfassung der Seite — keine Marketing-Phrasen, keine leere Zeichenkette.
7. FAQ-Schema auf FAQ-Seiten: Alle Frage-Antwort-Paare, die im JSON-LD als FAQPage markiert sind, sind auch im sichtbaren HTML-Inhalt vorhanden.
8. Markup-Validierung bestanden: Jede Seite wurde durch den Schema.org Validator oder das Rich Results Test Tool validiert — keine Fehler, maximal tolerierbare Warnungen.
9. Keine inhaltliche Diskrepanz: JSON-LD-Inhalte stimmen mit dem sichtbaren Seiteninhalt überein. Abweichungen zwischen Markup und Text führen zur Abwertung durch Crawler.
10. Mehrfach-Markup genutzt: Seiten mit mehreren inhaltlichen Ebenen (z.B. Artikel mit eingebetteter FAQ oder HowTo) nutzen mehrere JSON-LD-Blöcke — jeder Typ in einem eigenen <script>-Tag.

Diese Checks lassen sich in einem regelmäßigen technischen Audit oder als Teil eines CMS-Redaktionsworkflows abbilden. Tools wie der Google Search Console Rich Results Report oder Screaming Frog mit aktiviertem Schema-Extraktor helfen dabei, Lücken auf größeren Sites systematisch zu finden.

Strukturierte Daten sind keine Garantie für Erwähnung in KI-Antworten — aber sie senken die Hürde erheblich. Ohne Markup müssen Sprachmodelle Bedeutung aus Kontext inferieren. Mit Markup liefert man die Interpretation direkt mit.