Strukturierte Daten für die KI-Suche

Das Wichtigste in Kürze 

• Strukturierte Daten entscheiden heute mit, ob KI-Systeme wie ChatGPT, Perplexity und die Google AI Overviews deine Marke als Quelle erkennen und zitieren. 

• Den Vorsprung bringen nicht FAQPage und Product, sondern die kaum genutzten Typen – allen voran DefinedTerm und sameAs (Wikidata/Wikipedia). 

• Schema ist ein Verstärker, kein Zauberschalter: Das Markup muss zum sichtbaren Inhalt passen. 

Die Nutzung von strukturierten Daten war jahrelang ausschließlich für Google ein Thema.  Unter dem Oberbegriff “Markup für Rich Snippets” hat Google auch weiterhin noch seine eigenen Regeln im Umgang mit den strukturierten Daten auf eine Website. Mit dem Aufstieg von ChatGPT, Perplexity, Google AI Overviews und Google AI Mode  (und weitere) ist daraus etwas anderes geworden: die Infrastruktur, über die KI-Systeme deine Marke als Quelle erkennen, einordnen und zitieren. 
 
Die spannende Nachricht für den jetzigen Umgang mit strukturierten Daten: Die größten Hebel liegen nicht mehr bei den klassischen Implementierungen für FAQPage und Product (die nutzt inzwischen jeder), sondern bei den schema.org-Typen, die fast niemand einsetzt. Genau dort entsteht gerade ein Vorsprung. 

Vom Rich Snippet zur Entity-Infrastruktur 

Wer SEO macht, kennt strukturierte Daten als Mittel zum Zweck: Markup integrieren, Sternchen-Bewertungen und FAQ-Akkordeons in der Google-Suche raus. Dieser Job existiert weiter und ist weiterhin wichtig. Aber die eigentliche Verschiebung passiert eine Ebene tiefer. 

KI-Suchsysteme synthetisieren Antworten aus mehreren Quellen, statt zehn blaue Links auszuspielen. Damit eine Marke/Brand in dieser Antwort überhaupt auftaucht, muss das System verstehen: Was ist das hier? Welche Entität? Welche Fakten gehören dazu? Ist die Quelle vertrauenswürdig? Genau diese Fragen beantwortet sauber implementiertes Schema-Markup.  

Der Wendepunkt kam im März 2025. Innerhalb weniger Tage äußerten sich beide großen Player zur Rolle von Structured Data für ihre KI-Systeme: Fabrice Canel (Principal Product Manager bei Microsoft Bing) bestätigte auf der Bühne beim SMX München, dass Schema-Markup Microsofts LLMs beim Verstehen von Web-Inhalten hilft (Quelle LinkedIn). Kurz darauf betonte Google beim Search Central Live in New York (20. März 2025), dass strukturierte Daten für ihre KI-Systeme wertvoll seien. (Quelle Search Engine Roundtable).

Damit war die jahrelange Debatte, ob KI-Systeme Schema „überhaupt nutzen", zumindest für die Such-getriebenen Systeme (Bing Copilot, Google AI Overviews und AI Mode) offiziell beantwortet. 

Die bekannten schema.org Typen. Das Pflichtprogramm 

Bevor es um die spannenden Typen geht, kurz das Fundament. Diese gehören auf jede ernstzunehmende Seite. Man könnte sogar so weit gehen, dass die Pflichttypen kein Wettbewerbsvorteil mehr sind, weil sie mittlerweile Standard sind. 

• Organization / LocalBusiness: verankert die Marke als Entität 

  
  

• Article: mit Autor, Publisher und Datum als Glaubwürdigkeits-Signale 

  
  

• FAQPage: Frage-Antwort-Paare, die LLMs gern direkt als Antworten nutzen 

  
  

• Product / Offer: für E-Commerce Bereiche 

  
  

• HowTo und BreadcrumbList: Prozess-Content und Seitenhierarchie 

  
  

Die unterschätzten Typen. Hier entsteht der Vorsprung 

DefinedTerm und DefinedTermSet 

Ist das mit Abstand am meisten unterschätzte Markup. Wenn du nur einen Typ aus diesem Artikel mitnimmst, dann diesen. Kaum eine Seite setzt ihn ein, für KI-Systeme ist er aber besonders wertvoll. Der Aufwand ist meist gering, weil die Glossar-Inhalte ohnehin schon auf der Seite stehen. 

DefinedTerm macht aus deinem Glossar eine strukturierte Key-Value-Ressource: Begriff, Synonyme, Definition, URL. Statt Fließtext zu parsen, bekommt das KI-System ein sauberes „Dieser Begriff bedeutet exakt das". Für jede Marke mit Fachvokabular (z.B. in den Bereichen B2B, SaaS, Nischenprodukte) ist das ein direkter Hebel auf Definitionsfragen. 

Ein Beispiel der Nutzung in JSON-LD 
{ 
  "@context": "https://schema.org", 
  "@type": "DefinedTermSet", 
  "name": "GEO-Glossar", 
  "url": "https://www.internetwarriors.de/glossar", 
  "hasDefinedTerm": [ 
    { 
      "@type": "DefinedTerm", 
      "name": "Generative Engine Optimization", 
      "alternateName": "GEO", 
      "description": "Die Optimierung von Inhalten für die Sichtbarkeit in KI-Suchsystemen wie ChatGPT, Perplexity und Google AI Overviews.", 
      "url": "https://www.internetwarriors.de/glossar/geo", 
      "inDefinedTermSet": "https://www.internetwarriors.de/glossar" 
    } 
  ] 
} 

Die Struktur hat zwei Ebenen: ein Container und seine Einträge: 

Die äußere Ebene = das Glossar selbst (DefinedTermSet) 

• @context: sagt jedem Parser „das Vokabular hier ist schema.org". Steht praktisch immer ganz oben. 

  
  

• @type: "DefinedTermSet": die Ansage „Das hier ist eine Sammlung von Fachbegriffen", also ein Glossar. 

  
  

• name / url: Name und Adresse genau dieser Glossar-Sammlung: hier deine Glossar-Übersichtsseite. 

Die innere Ebene = die einzelnen Einträge (hasDefinedTerm) 

• hasDefinedTerm: die eckigen Klammern […] machen das zu einer Liste. Hier liegen alle einzelnen Begriffe drin: Im oben genannten Beispiel nur einer, du kannst aber beliebig viele aneinanderreihen (jeweils durch Komma getrennt). 

Jeder Eintrag in dieser Liste ist ein DefinedTerm mit: 

• @type:"DefinedTerm":  
  „Das hier ist ein einzelner definierter Begriff." 

  
  

• name:  
  der Begriff selbst: „Generative Engine Optimization". 

  
  

• alternateName:   
  Synonyme oder Abkürzungen, in diesem Beispiel „GEO". Das ist sehr praktisch, weil so die verschiedenen Suchanfragen abgedeckt werden. 

  
  

• description:   
  die eigentliche Definition des Begriffs. Aus diesen Inhalten zieht sich die KI oft die Info 

  
  

• url:  
  die konkrete Detail-/Unterseite (oder ein Anker) für genau diesen Begriff. 

  
  

• inDefinedTermSet:  
  der Rückverweis auf das übergeordnete Glossar (dieselbe URL wie oben beim Set). Damit ist der Eintrag eindeutig dem Glossar zugeordnet. Das schließt den Kreis zwischen beiden Ebenen. 

sameAs – die unscheinbare Property mit der größten Wirkung 

sameAs ist technisch gesehen kein eigener Typ in schema.org, sondern eine Property und ausgerechnet die wird fast überall verschenkt. Die meisten Implementierungen verlinken zum Beispiel auf LinkedIn und gut ist. Der eigentliche Mehrwert liegt woanders: Wikidata und Wikipedia. 

Wikidata ist die kanonische Wissensbasis hinter Google, ChatGPT, Claude und Perplexity. Wer seine Entität dort verankert, klinkt sich genau in die Quelle ein, aus der diese Systeme ihr Weltwissen ziehen. Das ist der am besten belegbare Schritt überhaupt. Nicht zuletzt, weil er direkt am Knowledge Graph ansetzt, nicht an vagen LLM-Vermutungen. 

Ein Beispiel der Nutzung in JSON-LD 

{ 
  "@context": "https://schema.org", 
  "@type": "Organization", 
  "name": "internetwarriors GmbH", 
  "url": "https://www.internetwarriors.de", 
  "sameAs": [ 
    "https://www.wikidata.org/wiki/Q...", 
    "https://de.wikipedia.org/wiki/...", 
    "https://www.linkedin.com/company/internetwarriors", 
    "https://www.crunchbase.com/organization/..." 
  ] 
} 

Dataset - Wenn du eigene Daten hast, zeig sie als Daten 

Hast du eigene Studien, Benchmarks, Marktzahlen oder Auswertungen? Dann signalisiere mit Dataset, dass es sich um originäre Daten handelt und nicht um nacherzählte Fakten. KI-Systeme bevorzugen Primärquellen, weil sie das Halluzinationsrisiko senken. Genau hier hebst du dich von der Masse der Sekundär-Content-Seiten ab. 

Infos und Beispiele zur Implementierung unter: https://schema.org/Dataset 

ItemList und ClaimReview – Struktur für einzigartige Aussagen 

Mit ItemList machst du Rankings, Vergleiche und Aufzählungen maschinenlesbar z.B. etwa für „beste X für Y"-Artikel, nach denen Nutzer vor einer Kaufentscheidung suchen. Statt eine Liste aus dem Fließtext herauslesen zu müssen, bekommt die Suchmaschine die Reihenfolge sauber serviert. 

ClaimReview zeichnet einzelne, überprüfte Aussagen aus, ursprünglich für Faktenchecks gedacht. Bei Google ist der Funktionsumfang inzwischen reduziert, deshalb keine Wunder erwarten. Wer aber klar kennzeichnen will, worauf eine Aussage beruht, liegt damit nicht falsch. 

Infos und Beispiele zur Implementierung unter: https://schema.org/ItemList 
und unter https://schema.org/ClaimReview 

Größten Effekte erzielen: Typen kombinieren statt einzeln einsetzen 

Der größte Fehler ist, auf einen einzelnen „magischen" Typ zu setzen. Analysen deuten konsistent in eine Richtung: Es ist die Kombination, die wirkt. Ein gestapelter Ansatz aus Arictle + FAQPage + BreadcrumbList + DefinedTerm + HowTo schlägt in der Praxis Seiten mit nur einem Schema-Typ deutlich. Aber auch hier muss man realistisch sein: Viel hilft nicht viel.  

Ehrlich bleiben: Schema ist ein Verstärker, kein Zauberschalter 

Ein Wort zur Einordnung, weil der Markt gerade von Heilsversprechen überquillt. Vieles, was als „340 % mehr KI-Zitate"-Statistik kursiert, ist nicht unabhängig belegt und stammt oft aus Quellen, die genau diese Leistung verkaufen. Google selbst stellt klar: Schema allein garantiert keine Aufnahme in AI Overviews. 

Und es gibt einen wichtigen technischen Vorbehalt: Tests zeigen, dass LLMs JSON-LD teilweise schlicht als zusätzlichen Text auf der Seite lesen und nicht zwingend als geparste Struktur.  

Das heißt im Klartext: Ein guter Teil der Wirkung kommt nicht vom Schema-Label, sondern daher, dass dich strukturierte Daten zwingen, deine Fakten sauber, eindeutig und maschinenlesbar abzulegen. Das Label hilft den such-basierten Systemen wie Bing oder Google, der saubere Inhalt hilft allen. 

Das ist keine Schwäche der Strategie, im Gegenteil. Es bedeutet nur: Markup ohne sauberen, übereinstimmenden Seiteninhalt bringt nichts. Beides muss zusammenpassen. 

Du bist dir nicht sicher, ob deine strukturierten Daten für die KI-Suche fit sind oder deine Marke in ChatGPT, Perplexity und den Google AI Overviews überhaupt auftaucht? Genau da setzen wir an. Die internetwarriors prüfen dein bestehendes Schema-Markup, verankern deine Marke als Entität (Stichwort Wikidata) und zeigen dir die Hebel, die bei dir den größten Unterschied machen. Jetzt kostenloses Erstgespräch vereinbaren. 

FAQ 

Welcher Schema-Typ bringt für GEO am meisten?

Der am stärksten unterschätzte und zugleich am besten belegbare Hebel ist sameAs mit Verlinkung auf Wikidata und Wikipedia, dicht gefolgt von DefinedTerm für Fachvokabular. Der größte Gesamteffekt entsteht durch die Kombination mehrerer Typen. 

Reicht JSON-LD oder brauche ich Microdata?

JSON-LD ist das von Google und allen großen Plattformen bevorzugte Format. Microdata und RDFa funktionieren, sind aber nicht empfehlenswert. 

Garantiert Schema die Sichtbarkeit in KI-Antworten?

Nein. Schema ist ein Verstärker, kein Schalter. Es macht deine Marke und deine Fakten eindeutig. Die Aufnahme hängt zusätzlich von Content-Qualität, Autorität und Übereinstimmung von Markup und Seite ab. 

Wie prüfe ich, ob mein Markup korrekt ist?

Mit Googles Rich Results Test und dem Schema.org-Validator. Beide zeigen dir Fehler und Warnungen an. Ungültiges Markup bringt keinen Nutzen. Der Test sollte also vor jedem Livegang stehen. 
Hier findest du die Verlinkungen zu den Tools