1. Warum KI-Suchmaschinen strukturierte Daten bevorzugen
Große Sprachmodelle verarbeiten Texte statistisch. Finden sie auf einer Website Fließtext vor, müssen sie Zusammenhänge zwischen Adressen, Dienstleistungen und Tarifen interpretieren. Das führt bei komplexen Sätzen oder unklaren Layouts immer wieder zu Fehlern. Ein Hotelzimmer wird dann beispielsweise einem falschen Preis zugeordnet, oder eine B2B-Leistung wird für einen Standort beschrieben, an dem das Unternehmen gar nicht operiert.
Strukturierte Daten im JSON-LD-Format heben diese Unsicherheit auf. Sie präsentieren Fakten in standardisierten Schlüssel-Wert-Paaren. Anstatt einen Absatz über Anfahrtswege und Öffnungszeiten analysieren zu müssen, liest ein Algorithmus die exakten Koordinaten, die Tage und die Uhrzeiten aus dem Code ab.
Das Prinzip der Entitäten in der generativen Suche
Suchsysteme stützen sich zunehmend auf Wissensgraphen (Knowledge Graphs). Ein Knowledge Graph verbindet Entitäten – also Personen, Orte, Organisationen und Produkte – über klar definierte Beziehungen miteinander.
Wenn Sie auf Ihrer Website Schema-Markup hinterlegen, teilen Sie der Maschine eindeutig mit: „Dieses Unternehmen ist Teil dieses Franchise-Netzwerks“ oder „Diese B2B-Beratung richtet sich an diese spezifische Branche“. Für die generative KI-Suche (Generative Engine Optimization, GEO) ist dieser Schritt entscheidend. Je klarer eine Entität im Knowledge Graph verankert ist, desto verlässlicher wird das Unternehmen als Quelle herangezogen, wenn Nutzer nach Lösungen für ihre Probleme fragen.
2. Die wichtigsten Schema-Typen für KMU
Welche Auszeichnungen relevant sind, hängt vom Geschäftsmodell ab. Es gibt jedoch Kernbereiche, die nahezu jedes mittelständische Unternehmen abdecken sollte: den Absender, das Angebot und die geografische Bindung.
1. Organisation und LocalBusiness: Wer Sie sind und wo Sie arbeiten
Die Typen `Organization` beziehungsweise spezifischer `LocalBusiness` definieren das rechtliche und operative Fundament Ihres Webauftritts. Für Filialbetriebe, Franchise-Systeme oder Hotels ist `LocalBusiness` oder eine passendere Unterform (beispielsweise `Hotel`) zwingend erforderlich.
Wichtige Felder für diesen Typ:
- `name`: Der exakte Firmenname.
- `address`: Vollständige Anschrift inklusive Straße, Postleitzahl und Ort.
- `geo`: Geokoordinaten zur genauen Lokalisierung.
- `telephone`: Einheitliche Rufnummer für den Standort.
- `openingHoursSpecification`: Genaue Betriebs- oder Servicezeiten.
- `sameAs`: Verweise auf verifizierte Profile wie LinkedIn, Handelsregistereinträge oder Branchenverzeichnisse, um die Identität abzusichern.
2. Service und Product: Was Sie leisten und anbieten
KMU im B2B-Sektor bieten in der Regel Dienstleistungen an, die sich über den Typ `Service` abbilden lassen. Für den Tourismus und Online-Anbieter kommen häufig `Product` oder `Offer` hinzu.
Über diese Schemas teilen Sie Systemen mit, welchen genauen Leistungsumfang ein Paket enthält, wer die Zielgruppe ist und welche Preismodelle gelten. Wird eine KI gefragt: „Welche Agentur in Hamburg bietet Prozessautomatisierung für Franchise-Betriebe an?“, gleicht das System die Anfrage mit Dienstleistungen ab, die semantisch als solche ausgezeichnet sind.
Wichtige Felder für Leistungen:
- `serviceType`: Die genaue Bezeichnung der Dienstleistung.
- `provider`: Verweis auf das ausführende Unternehmen.
- `areaServed`: Das geografische Einzugsgebiet, in dem die Leistung erbracht wird.
- `hasOfferCatalog`: Eine strukturierte Liste der Teilbereiche oder Leistungspakete.
3. Offers und AggregateOffer: Preise verständlich machen
Preisangaben im Fließtext gehören zu den häufigsten Quellen für Missverständnisse in generativen Zusammenfassungen. Floskeln wie „ab 1.500 Euro zzgl. MwSt.“ oder Preisspannen werden von Sprachmodellen teils falsch zusammengesetzt.
Mit dem Schema `Offer` oder `AggregateOffer` (für Spannen) geben Sie der Maschine harte Daten:
- `price`: Der numerische Betrag.
- `priceCurrency`: Die Währung (z. B. EUR).
- `priceSpecification`: Spezifikation, ob Steuern enthalten sind oder wie Abrechnungsintervalle geregelt sind.
- `validFrom` und `validThrough`: Zeiträume für saisonale Tarife, etwa bei Hotelübernachtungen.
3. Umsetzung: Von HTML-Text zu JSON-LD ohne Entwicklungsabteilung
Viele Websites von KMU verfügen über kein durchgängiges Schema-Markup. Die Implementierung erfordert jedoch keinen Relaunch. Der von Google und anderen Betreibern empfohlene Standard ist JSON-LD (JavaScript Object Notation for Linked Data).
Im Gegensatz zu älteren Verfahren (wie Microdata) wird JSON-LD nicht in den sichtbaren HTML-Text verschachtelt, sondern als kompakter Skriptblock im Kopfbereich (`<head>`) oder im Fußbereich der Seite abgelegt.
```json { "@context": "https://schema.org", "@type": "ProfessionalService", "name": "Musterberatung GmbH", "address": { "@type": "PostalAddress", "streetAddress": "Musterstraße 12", "addressLocality": "Hamburg", "postalCode": "20095", "addressCountry": "DE" }, "url": "https://www.musterberatung.example", "telephone": "+494012345678" } ```
Typische Fehlerquellen vermeiden
Bei der Einführung von strukturierten Daten treten häufig Fehler auf, die dazu führen, dass Suchmaschinen die Daten ignorieren:
- Diskrepanzen zwischen Code und Text: Alle Daten, die im JSON-LD-Block stehen, müssen für menschliche Nutzer auf der Seite sichtbar sein. Versteckte Preise oder abweichende Adressen werten Algorithmen als Manipulationsversuch.
- Veraltete Daten: Ändern sich Telefonnummern oder Ansprechpartner im Fließtext, wird das Markup oft vergessen. Die KI liest dann zwei verschiedene Fakten und entscheidet sich im Zweifel gegen eine Nennung.
- Syntaxfehler: Ein fehlendes Komma oder ein falsches Anführungszeichen im Skript führt dazu, dass der gesamte Block nicht gelesen werden kann.
Jedes Markup sollte vor der Veröffentlichung mit Prüfwerkzeugen wie dem Schema-Markup-Validator oder dem Google-Test für Rich Results validiert werden.
4. Die Rolle von FAQPage- und ItemList-Markup für Antworten
Ein erheblicher Teil der Suchanfragen wird heute in Frageform gestellt. KI-Systeme suchen gezielt nach präzisen Antworten auf genau diese Fragen. Hierfür bietet sich das `FAQPage`-Markup an.
Wenn Sie auf Leistungsseiten oder dedizierten Hilfeseiten häufige Kundenfragen beantworten, fasst das Schema `Question` und `Answer` diese Paare maschinenlesbar zusammen. Dies erleichtert es Sprachmodellen, Ihre Formulierung direkt als Antwortbaustein zu übernehmen, anstatt den Inhalt frei – und möglicherweise ungenau – zu paraphrasieren.
Das `ItemList`-Schema eignet sich parallel, um Prozesse, Schritt-für-Schritt-Anleitungen oder Portfolios logisch zu gliedern. Für B2B-Dienstleister bedeutet das: Der Ablauf eines Projekts von der Erstberatung bis zur Implementierung wird als feste Kette von Einzelschritten verstanden.
5. Fragen und Antworten zu Schema.org und KI-Sichtbarkeit
Welche Schema-Typen sind für die Sichtbarkeit in KI-Systemen am wichtigsten?
Die Basis bilden `Organization` oder `LocalBusiness` für Standort und Kontaktdaten. Für das Portfolio sind `Service` oder `Product` essenziell. Preis- und Tarifstrukturen werden über `Offer` abgebildet, während wiederkehrende Fragen über `FAQPage` strukturiert werden.
Müssen alle strukturierten Daten zwingend als JSON-LD eingebunden werden?
JSON-LD ist der offizielle Standard, den Suchmaschinenbetreiber bevorzugen. Es trennt den Datenblock sauber vom HTML-Layout der Website, lässt sich dynamisch über Content-Management-Systeme generieren und verringert das Risiko von Darstellungsfehlern auf der Seite.
Können falsche strukturierte Daten zu Abstrafungen führen?
Ja. Wenn die strukturierten Daten im Quellcode nicht mit den sichtbaren Inhalten der Seite übereinstimmen (beispielsweise andere Preise oder falsche Adressen), stufen Prüfsysteme dies als Täuschung ein. In der Folge verliert die Website Rich-Snippets und wird von KI-Modellen als unzuverlässige Quelle eingestuft.
Reicht Schema.org allein aus, um in KI-Antworten genannt zu werden?
Nein. Strukturierte Daten stellen sicher, dass Maschinen Ihre Fakten fehlerfrei verstehen. Die tatsächliche Nennung in generierten Antworten hängt zusätzlich von Faktoren wie thematischer Autorität, Backlinks, Erwähnungen in Branchenmedien und der allgemeinen Relevanz für die Nutzeranfrage ab.
Wie wird geprüft, ob die eigenen strukturierten Daten fehlerfrei sind?
Die Überprüfung erfolgt über offizielle Validierungstools wie den Schema.org Validator oder das Google-Tool für Rich Results. Diese Werkzeuge zeigen Syntaxfehler, fehlende Pflichtfelder und Warnungen vor der Veröffentlichung detailliert an.
