Zurück zum Blog
Schema Markup für KI-Systeme: Strukturierte Daten, die ChatGPT & Perplexity verstehen
Technical GEO
11.03.2026
72 % der Seiten auf Googles erster Seite nutzen Schema Markup (Semrush, 2025). Gleichzeitig zeigt eine Studie mit 129.000 Domains: FAQ-Schema hat keinen positiven Einfluss auf ChatGPT-Zitierungen, im Gegenteil, Seiten ohne FAQ-Schema werden sogar häufiger zitiert (Higglo Digital, 2025). Diese Zahlen widersprechen sich nur auf den ersten Blick. Denn Schema Markup KI Optimierung funktioniert anders, als die meisten denken. Und der Unterschied zwischen richtigem und falschem Schema entscheidet darüber, ob strukturierte Daten Ihre KI-Sichtbarkeit verbessern oder verschlechtern.
Dieser Artikel fasst drei aktuelle Studien erstmals für den deutschsprachigen Raum zusammen. Die Higglo-Studie hat 129.000 Domains analysiert. Search Atlas hat die Schema-Abdeckung mit KI-Sichtbarkeit verglichen. Growth Marshal hat 730 KI-Zitierungen untersucht. Die Ergebnisse sind eindeutig, aber anders als erwartet.
Was Schema Markup mit KI-Sichtbarkeit zu tun hat
Machen wir es greifbar. Schema Markup ist eine maschinenlesbare Sprache, die Suchmaschinen und KI-Systemen erklärt, was auf einer Website steht. Nicht als Freitext, sondern als strukturierte Daten im JSON-LD-Format. JSON-LD hat einen Marktanteil von 89,4 % bei strukturierten Daten (W3Techs, 2026). Google empfiehlt es seit Jahren als bevorzugtes Format.
Für klassisches SEO ist Schema Markup ein bewährter Hebel. Es erzeugt Rich Snippets in den Suchergebnissen und steigert die Click-Through-Rate durchschnittlich um 58,3 % (Semrush, 2025). Seiten mit Rich Results erhalten 82 % höhere CTR (Semrush, 2025). Das ist bekannt.
Die Frage für 2026 lautet: Hilft Schema Markup auch dabei, von ChatGPT, Perplexity oder Google AI Overviews zitiert zu werden? Die ehrliche Antwort: Es kommt darauf an, wie Sie es einsetzen. 43 % aller Websites nutzen bereits irgendeine Form von Schema Markup (W3Techs, 2026). Aber die wenigsten setzen es so ein, dass KI-Systeme davon profitieren. Die Studien zeigen ein klares Muster.
Die Studien: Hilft Schema bei KI-Zitierungen?
Die Search-Atlas-Studie hat die Schema-Abdeckung von Domains mit ihrer KI-Sichtbarkeit verglichen (Search Atlas, 2025). Das Ergebnis: Domains mit umfangreichem Schema werden nicht häufiger zitiert als Domains ohne Schema. Die Sichtbarkeitsverteilungen waren „nahezu identisch" über alle Kategorien, von 0 % bis 100 % Schema-Abdeckung. Das galt für OpenAI, Gemini und Perplexity gleichermaßen. Details finden Sie in unserem KI Crawler Übersicht.
Die Growth-Marshal-Studie (Februar 2026) macht eine entscheidende Unterscheidung. Sie trennt generisches Schema (minimal befüllte Tags) von attributreichem Schema (vollständig ausgefüllte Properties mit Entity-Links). Das Ergebnis: Attributreiches Schema erreicht eine Zitierungsrate von 61,7 %. Kein Schema liegt bei 59,8 %. Generisches Schema fällt auf 41,6 % (Growth Marshal, 2026). Nicht ein bisschen schlechter. 18 Prozentpunkte schlechter als gar kein Schema.
Bei Domains mit niedrigem Domain-Rating (unter 60) ist der Effekt noch deutlicher: Attributreiches Schema 54,2 %, generisches Schema 31,8 % (Growth Marshal, 2026). Für kleinere Unternehmen macht die Qualität des Schemas den größten Unterschied. Die Details zu den wichtigsten KI-Rankingfaktoren behandeln wir in unserem Artikel zu ChatGPT Ranking-Faktoren.
Die Higglo-Studie ergänzt das Bild. Sie analysierte 129.000 Domains und stellte fest: Seiten mit FAQ-Schema werden von ChatGPT nicht häufiger zitiert als Seiten ohne (Higglo Digital, 2025). Aber Seiten mit Autoren-Markup und klarer Quellenangabe schnitten besser ab. Das bestätigt: Schema als Gütesiegel für Autorität funktioniert. Schema als technischer Trick nicht.
Was bedeutet das konkret? Schema Markup verursacht keine KI-Zitierungen. Aber attributreiches Schema verstärkt die Signale, die tatsächlich zählen: Autorität, Entitätsklarheit und Inhaltsstruktur. Und generisches Schema schadet aktiv.
Wie ChatGPT und Perplexity Schema tatsächlich lesen
Ein Test von Mark Williams-Cook zeigt, wie KI-Systeme mit Schema umgehen. Er erstellte eine fiktive Firma mit einer Adresse, die nur im JSON-LD-Schema stand, nicht im sichtbaren Seitentext. ChatGPT extrahierte die Adresse trotzdem, sogar aus technisch ungültigem Schema (SE Roundtable, 2025). Das bedeutet: ChatGPT und Perplexity lesen Schema-Markup als Text. Nicht als spezielles Datenformat, sondern als zusätzlichen Seiteninhalt.
Google geht anders vor. AI Overviews sind direkt in Googles Structured-Data-Pipeline integriert. Googles Knowledge Graph enthält 1,3 Milliarden Entitäten. 34 % davon stammen aus Publisher-Schema-Markup (SMX Advanced, 2026). Seiten mit validem Schema in der Search Console erhalten bei der AI-Overview-Generierung bevorzugte Behandlung. AI-Overview-Zitierungen überlappen zu 54 % mit den organischen Rankings (BrightEdge, 2025). Schema stärkt hier den bestehenden Vorteil.
Microsoft hat sich auf der SMX München 2025 klar positioniert. Fabrice Canel, Principal Product Manager bei Bing, sagte: „Schema-Markup hilft Microsofts LLMs, euren Content zu verstehen" (SMX München, 2025). Bing bietet seit Februar 2026 ein AI Performance Dashboard. Es weist erstmals KI-Zitierungen offiziell aus. Wer seine E-E-A-T-Signale für KI stärken will, sollte Schema als Verstärker einsetzen, nicht als Ersatz für guten Content.
5 Schema-Typen, die für KI-Sichtbarkeit zählen
Nicht alle Schema-Typen sind gleich relevant. Die folgende Priorisierung basiert auf den Studienergebnissen und der tatsächlichen Nutzung durch KI-Systeme.
Organization und Person: Entitätssignale
Organization-Schema ist das Fundament. Es teilt KI-Systemen mit, wer Sie sind: Name, Standort, Gründungsdatum, Kontaktdaten, Logo. Entscheidend ist die sameAs-Property. Über sameAs verlinken Sie auf Ihre Profile bei LinkedIn, Wikidata, Wikipedia und Branchenverzeichnisse. Weniger als 4 % der Seiten mit Schema nutzen sameAs für Wikidata-Verlinkung (SALT.agency, 2025). Das ist eine fast wettbewerbsfreie Chance. LLMs mit Knowledge-Graph-Anbindung erreichen 300 % höhere Genauigkeit bei der Entitätserkennung (data.world/Gartner, 2025).
Person-Schema stärkt die Autorenschaft. KI-Systeme bewerten, wer einen Artikel geschrieben hat. Properties wie jobTitle, knowsAbout, worksFor und sameAs-Links zu professionellen Profilen machen den Autor als Experten erkennbar. E-E-A-T-konforme Seiten mit klarer Autorenschaft und Expertise zeigen eine 45 % höhere KI-Zitierungsrate (Onely, 2025). Das gilt besonders für YMYL-Themen wie Finanzen, Gesundheit und Recht.
Article und FAQPage: Content-Identifikation
Article-Schema liefert den Kontext: Wer hat den Artikel geschrieben, wann wurde er veröffentlicht, wann zuletzt aktualisiert? Die Properties datePublished und dateModified sind für KI-Systeme relevant, weil Aktualität ein Zitierungsfaktor ist. Inhalte, die in den letzten 3 Monaten aktualisiert wurden, erhalten fast doppelt so viele Zitierungen (Higglo Digital, 2025). Article-Schema macht diese Information maschinenlesbar.
FAQPage-Schema formatiert Inhalte als Frage-Antwort-Paare. Das entspricht dem Format, in dem KI-Systeme Informationen extrahieren und liefern. Google hat FAQ-Rich-Results im August 2023 für die meisten Websites eingestellt. Aber für KI-Extraktion bleibt das Format wertvoll. ChatGPT bevorzugt nachweislich FAQPage-Inhalte für sein konversationsbasiertes Antwortformat. Seiten mit FAQ-Struktur zeigen einen Zitierungs-Lift von 11 % (SE Ranking, 2025).
sameAs und Entity-Linking: Der unterschätzte Hebel
Die sameAs-Property verdient einen eigenen Abschnitt. Sie verbindet Ihre Website mit verifizierten Online-Identitäten: Wikipedia, Wikidata, LinkedIn, XING, Branchenverzeichnisse. Für KI-Systeme funktioniert das wie ein digitaler Fingerabdruck. Quellen mit starken sameAs-Links zu autoritativen Referenzen erhalten 2 bis 3 Mal höhere Gewichtung in KI-Antworten (Growth Marshal, 2026).
Die @id-Property verknüpft Schema-Blöcke intern. Wenn Ihr Organization-Schema eine @id hat und Ihr Article-Schema darauf als publisher verweist, entsteht ein kohärentes Entity-Graph. KI-Systeme können so erkennen, dass der Artikel zu Ihrer Organisation gehört und der Autor Teil Ihres Teams ist. Ohne @id-Referenzen bleiben die Schema-Blöcke isolierte Datenfragmente. In unserem Guide zu Generative Engine Optimization erklären wir, wie Entity-Signale die gesamte KI-Sichtbarkeit beeinflussen.
Generisch vs. attributreich: Warum schlechtes Schema schadet
Die Growth-Marshal-Studie liefert die deutlichste Warnung: Generisches Schema ist schlechter als kein Schema. 18 Prozentpunkte schlechter (Growth Marshal, 2026). Das ist kein kleiner Effekt. Das ist der Unterschied zwischen Sichtbarkeit und Unsichtbarkeit. Warum passiert das?
Generisches Schema signalisiert KI-Systemen: „Diese Seite nutzt strukturierte Daten." Wenn die Properties dann leer oder minimal befüllt sind, entsteht ein Widerspruch. Die Seite verspricht Maschinenlesbarkeit. Sie liefert aber keine verwertbaren Informationen. Für KI-Systeme ist das ein negatives Signal. Es deutet auf oberflächliche Optimierung hin, nicht auf echte Expertise.
Ein Beispiel macht den Unterschied klar. Ein generisches Organization-Schema enthält nur name und url. Zwei Felder, kein Erkenntnisgewinn. Ein attributreiches Organization-Schema enthält name, url, logo, description, foundingDate, numberOfEmployees, areaServed, contactPoint und 5 sameAs-Links zu verifizierten Profilen. Das zweite Schema gibt KI-Systemen 12 Datenpunkte zur Qualitätsbewertung. Das erste gibt ihnen nichts.
Attributreiches Schema dagegen liefert konkrete Fakten: den vollständigen Namen der Organisation, das Gründungsdatum, verifizierte externe Profile über sameAs, den Autor mit Qualifikationen und Expertise-Feldern, Publikations- und Aktualisierungsdaten. Jede befüllte Property ist ein Datenpunkt, den KI-Systeme zur Qualitätsbewertung heranziehen können.
Die Regel ist einfach: Entweder Schema richtig implementieren oder es komplett weglassen. Halb befülltes Schema ist die schlechteste Option. Wir bei rankprompt.de prüfen bei jedem Kundenprojekt zunächst, ob das bestehende Schema attributreich genug ist, bevor wir neue Typen hinzufügen.
Schema implementieren: Worauf es ankommt
Die technische Umsetzung folgt einer klaren Reihenfolge. Wir bei rankprompt.de setzen diese fünf Schritte bei jedem neuen Kundenprojekt um. Wichtig dabei: Jeder Schritt baut auf dem vorherigen auf.
Schritt 1: Entitätsstrategie definieren. Bevor Sie Code schreiben, identifizieren Sie die Hauptentitäten Ihrer Website. Das sind Ihre Organisation, die Autoren und Ihre Produkte oder Dienstleistungen. Erstellen Sie eine Entitätskarte mit @id-Referenzen. Diese Karte verbindet alle Schema-Blöcke miteinander und bildet die Grundlage für den Entity-Graph.
Schritt 2: Organization-Schema auf der Startseite. Beginnen Sie mit dem Organization-Schema. Befüllen Sie alle Properties: name, url, logo, description, foundingDate, contactPoint. Setzen Sie sameAs-Links zu LinkedIn, Wikidata (falls vorhanden), XING und relevanten Branchenverzeichnissen. Das ist die Basis, auf der alles Weitere aufbaut.
Schritt 3: Person-Schema für jeden Autor. Jeder Autor bekommt ein vollständiges Person-Schema mit name, jobTitle, worksFor (verlinkt auf die @id der Organization), knowsAbout (Expertise-Felder) und sameAs-Links zu professionellen Profilen.
Schritt 4: Article-Schema auf allen Content-Seiten. Jeder Artikel erhält Article- oder BlogPosting-Schema mit headline, author (@id-Referenz), datePublished, dateModified, wordCount und publisher (@id-Referenz). Diese Verknüpfung über @id ist der Schlüssel zum kohärenten Entity-Graph.
Schritt 5: Validierung und regelmäßige Prüfung. Validieren Sie jedes Schema mit dem Google Rich Results Test und dem Schema.org Validator. Prüfen Sie monatlich in der Google Search Console auf Fehler. Seit Februar 2026 bietet Bing ein AI Performance Dashboard, das KI-Zitierungen ausweist (Microsoft, 2026). Ergänzend dazu erklärt unser Artikel zu llms.txt, wie Sie KI-Systemen auf Dateiebene Informationen über Ihre Website bereitstellen.
Schritt 6: Schema-Monitoring einrichten. Schema ist kein einmaliges Projekt. CMS-Updates, Website-Relaunches und neue Inhalte können bestehendes Schema beschädigen. 27 % aller Websites mit Schema haben mindestens einen kritischen Fehler in ihrer Implementierung (Semrush, 2025). Richten Sie ein monatliches Monitoring ein. Prüfen Sie die Google Search Console auf neue Schema-Warnungen. Testen Sie stichprobenartig wichtige Seiten mit dem Rich Results Test. Und kontrollieren Sie bei Content-Updates, ob dateModified im Article-Schema aktualisiert wird.
Schema Markup im DACH-Raum: Wo stehen deutsche Websites?
Deutsche Websites hinken bei der Schema-Implementierung hinterher. Während 72 % der Seiten auf Googles erster Seite Schema nutzen (Semrush, 2025), liegt die durchschnittliche Abdeckung bei deutschen KMU-Websites deutlich darunter. Besonders selten: Organization-Schema mit vollständigen Properties und sameAs-Links. Die meisten deutschen Unternehmensseiten verwenden bestenfalls LocalBusiness-Schema mit Adresse und Öffnungszeiten. Das reicht für Google Maps. Für KI-Sichtbarkeit reicht es nicht.
Die Chance liegt genau hier. Wer als deutsches Unternehmen jetzt attributreiches Schema mit Entity-Linking implementiert, hat einen klaren Vorsprung. Die Konkurrenz nutzt Schema entweder gar nicht oder nur generisch. Und generisches Schema schadet, wie die Daten zeigen. Im englischsprachigen Raum ist der Wettbewerb bei Schema bereits deutlich intensiver. Im DACH-Markt ist das Fenster noch offen. Eine ausführliche Anleitung bietet unser KI-SEO-Agentur.
6 häufige Fehler bei Schema für KI
Leere Properties. Ein Organization-Schema mit nur „name" und „url" ist generisches Schema. Das schadet laut Growth Marshal aktiv. Befüllen Sie mindestens 8 bis 10 Properties, oder lassen Sie den Schema-Typ komplett weg.
Kein sameAs oder Entity-Linking. Weniger als 4 % der Seiten nutzen sameAs für Wikidata-Verlinkung (SALT.agency, 2025). Ohne externe Entity-Referenzen können KI-Systeme Ihre Organisation nicht zuverlässig von anderen mit ähnlichem Namen unterscheiden.
Schema-Inhalt stimmt nicht mit sichtbarem Content überein. Wenn das Schema Informationen enthält, die auf der Seite nicht sichtbar sind, etwa falsche Bewertungen oder veraltete Preise, erkennen KI-Systeme die Diskrepanz. Der Williams-Cook-Test zeigt: KI liest beides.
Veraltete Schema-Typen beibehalten. Google hat HowTo-Rich-Results im August 2023 eingestellt (Google Search Central, 2023). FAQ-Rich-Results zeigt Google nur noch für autorisierte Seiten. Veraltete Markup-Typen im Code signalisieren ungepflegte technische Infrastruktur. Prüfen Sie regelmäßig, welche Schema-Typen noch relevant sind.
Kein @id-System. Ohne @id-Referenzen zwischen Organization, Author und Article entsteht kein Entity-Graph. Die Schema-Blöcke bleiben isoliert. KI-Systeme können die Zusammenhänge nicht erkennen.
Schema ohne Content-Qualität. Schema verstärkt vorhandene Signale. Es erzeugt keine neuen. Eine Seite mit perfektem Schema, aber dünnem Inhalt wird nicht zitiert. Die Growth-Marshal-Studie zeigt: Der Content-Qualitätsfaktor überwiegt den Schema-Effekt um den Faktor 6 (Growth Marshal, 2026). Investieren Sie zuerst in Content, dann in Schema. Wie Sie Ihre Inhalte auch über technisches SEO hinaus für KI-Systeme sichtbar machen, erklären wir in unserem Artikel In ChatGPT gefunden werden.
FAQ: Häufig gestellte Fragen
Hilft Schema Markup dabei, von ChatGPT zitiert zu werden? Schema allein führt nicht zu KI-Zitierungen. Aber attributreiches Schema verstärkt E-E-A-T-Signale und Entitätsklarheit. Generisches Schema schadet sogar, mit 18 Prozentpunkten weniger Zitierungen als gar kein Schema (Growth Marshal, 2026).
Welches Schema-Format sollte man 2026 verwenden? JSON-LD. Es hat 89,4 % Marktanteil bei strukturierten Daten (W3Techs, 2026) und wird von Google als bevorzugtes Format empfohlen. Microdata und RDFa sind technisch veraltet.
Lesen KI-Systeme JSON-LD-Schema direkt aus? Ja, aber als Text. ChatGPT und Perplexity behandeln Schema wie normalen Seiteninhalt. Tests zeigen, dass selbst technisch ungültiges Schema von ChatGPT extrahiert wird (SE Roundtable, 2025). Google nutzt Schema über seine Knowledge-Graph-Pipeline strukturierter.
Welche Schema-Typen sind am wichtigsten für KI-Sichtbarkeit? Organization und Person für Entitätssignale, Article für Content-Identifikation, FAQPage für Q&A-Extraktion. Die sameAs-Property für Entity-Linking zu Wikidata ist der am stärksten unterschätzte Hebel.
Brauche ich FAQ-Schema, obwohl Google keine FAQ-Rich-Results mehr anzeigt? Für KI-Extraktion bleibt FAQ-Schema wertvoll. ChatGPT und Perplexity nutzen das Q&A-Format. Der Zitierungs-Lift beträgt 11 % (SE Ranking, 2025). Die Google-Einstellung betrifft nur die visuelle Darstellung in den SERPs, nicht die Datennutzung durch KI.
Schadet falsches Schema der KI-Sichtbarkeit? Ja. Generisches oder minimal befülltes Schema schneidet 18 Prozentpunkte schlechter ab als gar kein Schema (Growth Marshal, 2026). Entweder richtig implementieren oder komplett weglassen. Halbherzige Umsetzung ist die schlechteste Option.
Was bringt ein Wikidata-Eintrag für die KI-Sichtbarkeit? Wikidata liefert verifizierte Entitätsidentifikation. KI-Systeme nutzen sie für Disambiguierung und Verifikation. LLMs mit Knowledge-Graph-Anbindung erreichen 300 % höhere Genauigkeit (data.world/Gartner, 2025). Weniger als 4 % der Websites nutzen diese Möglichkeit (SALT.agency, 2025).
---
Schema Markup KI Optimierung ist keine Frage von „Schema ja oder nein". Es ist eine Frage von „richtig oder gar nicht". Generisches Schema schadet. Attributreiches Schema mit Entity-Linking und vollständig befüllten Properties verstärkt die Signale, die KI-Systeme für Zitierungsentscheidungen heranziehen. Der Schlüssel liegt in der Qualität, nicht in der Menge. rankprompt.de unterstützt Sie dabei, Ihre strukturierten Daten so aufzusetzen, dass sie Ihre GEO-Strategie datenbasiert stärken.
