sameAs JSON-LD: Marke im Knowledge Graph sichern

Ein sameAs-Array in JSON-LD verbindet eine Website-Entität eindeutig mit ihren offiziellen Profilen auf Wikipedia, Wikidata, LinkedIn und weiteren autoritativen Quellen. Suchmaschinen und KI-Systeme nutzen diese Verknüpfung, um Marken als verifizierte Entitäten im Knowledge Graph zu erkennen – statt sie als isolierte Webseiten zu behandeln. Strukturierte Daten sind dabei ein technisches Mittel, kein Selbstzweck. Sie entfalten ihren Wert erst, wenn klar ist, welche Markenwerte, Produkte und Services überhaupt an welche Zielgruppe kommuniziert werden sollen. Genau diese Grundlage schafft eine Content-Strategie, die das Informationsangebot einer Marke gegenüber der Zielgruppe positioniert und mit den Marketing- und Vertriebszielen verknüpft – die Reihenfolge lautet auch hier: erst positionieren, dann vermarkten. Dieser Artikel erklärt Kernkonzepte, JSON-LD-Syntax, Implementierungsschritte, typische Fehler und die Auswirkungen auf KI-Sichtbarkeit.

Warum Entitäts-Verknüpfung über sameAs für B2B-Marken relevant ist

Suchmaschinen arbeiten entitätsbasiert. Das bedeutet: Google, Bing und die darauf aufbauenden KI-Systeme versuchen nicht mehr nur, Keywords auf Seiten abzugleichen, sondern zu verstehen, welche reale Entität hinter einer Website steht – welches Unternehmen, welche Person, welches Produkt. Ohne explizite Verknüpfung bleibt eine Marke für diese Algorithmen mehrdeutig. Und Mehrdeutigkeit ist das Gegenteil von Sichtbarkeit.

Suchmaschinen sind längst nicht mehr der einzige Ort, an dem eine Marke gefunden wird. Wer will, dass die eigene Organisation nicht nur von Google, sondern auch von ChatGPT, Perplexity und vergleichbaren Systemen als verlässliche Quelle erkannt wird, muss die Sichtbarkeit für beide Welten planen – und zwar datenbasiert statt aus dem Bauch heraus. Wie sich Sichtbarkeit für Google und KI-Antworten gleichermaßen automatisiert und messbar aufbauen lässt, zeigt der Ansatz zu agentischem SEO und generativer Suchoptimierung.

Der BrightEdge-Report von 2025 zeigt eine positive Korrelation zwischen strukturierter Datenimplementierung und der Wahrscheinlichkeit, in KI-generierten Suchergebnissen zitiert zu werden. Das ist kein Zufall: Wer einer Maschine explizit sagt, wer man ist und wo die Belege dafür liegen, wird bevorzugt, wenn die Maschine Quellen verifizieren muss. Die Implementierung ist einmalig, der Effekt auf Sichtbarkeit langfristig – ein Verhältnis von Aufwand zu Ertrag, das sich rechnen lässt.

Kernbegriffe – Was sameAs, JSON-LD und Entität im Schema.org-Kontext bedeuten

Bevor die Implementierung beginnt, müssen drei Begriffe trennscharf definiert sein. Wer sie verwechselt, baut strukturierte Daten, die technisch valide und semantisch wertlos sind.

Was ist eine Entität im Kontext von Schema.org?

Eine Entität ist ein eindeutig identifizierbares Ding – eine Organisation, eine Person, ein Produkt, ein Konzept. Im Knowledge Graph existiert eine Entität unabhängig von einzelnen Webseiten. Sie hat Eigenschaften (Name, Gründungsdatum, Standort) und Beziehungen zu anderen Entitäten. Der Unterschied zu einem Keyword: Ein Keyword ist eine Zeichenkette, eine Entität ist ein Konzept mit Identität. „Apple" als Keyword ist mehrdeutig. „Apple Inc." als Entität mit Wikidata-ID Q312 ist eindeutig.

Was bedeutet sameAs in JSON-LD?

Die offizielle Definition laut schema.org lautet: „URL of a reference Web page that unambiguously indicates the item's identity." Die sameAs-Property verknüpft eine lokale Entität auf der eigenen Website mit externen autoritativen Quellen – sie sagt der Maschine: „Das Unternehmen, das wir hier beschreiben, ist dasselbe Unternehmen, das auf dieser Wikipedia-Seite beschrieben wird." Die Abgrenzung zu @id ist entscheidend: @id ist eine interne URI zur Referenzierung innerhalb der eigenen Schema-Blöcke, sameAs zeigt nach außen auf unabhängige Drittquellen.

JSON-LD als bevorzugtes Format für strukturierte Daten

JSON-LD steht für JavaScript Object Notation for Linked Data. Google empfiehlt dieses Format explizit gegenüber Microdata oder RDFa. Der Vorteil: JSON-LD-Blöcke stehen im <head> oder <body> als eigenständiges <script>-Element, vollständig getrennt vom sichtbaren HTML-Inhalt. Diese Trennung macht Implementierung, Wartung und Debugging erheblich einfacher als bei Formaten, die direkt in HTML-Tags eingebettet werden.

Das Grundprinzip – Wie sameAs-Arrays Entitäten disambiguieren

Die Kernmechanik ist einfach: Ein sameAs-Array liefert Suchmaschinen einen Abgleichspunkt zwischen der eigenen Website und bekannten Datenbanken. Wenn das Organization-Schema auf der Homepage sagt „Wir sind Unternehmen X" und das sameAs-Array auf den Wikipedia-Artikel, den Wikidata-Eintrag und die LinkedIn-Seite von Unternehmen X verweist, kann Google diese Informationen triangulieren. Die Entität wird validiert.

Die Analogie: sameAs funktioniert wie ein digitaler Personalausweis. Ein Personalausweis beweist nicht, dass jemand existiert – die Person steht ja vor einem. Er beweist, dass die Person vor einem dieselbe ist, die in der Datenbank der Meldebehörde registriert ist. Genau das leistet sameAs für Maschinen: Es bestätigt, dass „Organisation X auf dieser Website" und „Organisation X auf Wikipedia" dieselbe Entität sind.

Google nutzt diese Verknüpfung konkret zur Befüllung von Knowledge Panels und zur Validierung von Entitätsinformationen. Ohne sameAs muss Google diese Zuordnung selbst inferieren – mit sameAs wird sie explizit deklariert. Explizit schlägt implizit, wenn Maschinen entscheiden.

Erste Schritte – SameAs-Array im Organization-Schema implementieren

Die Implementierung folgt vier Schritten. Keiner davon ist technisch komplex – aber jeder erfordert Sorgfalt. Ein sameAs-Array mit falschen oder toten URLs ist schlechter als keines.

Schritt 1 – Autoritative Profile identifizieren und priorisieren

Nicht jedes Profil gehört ins sameAs-Array. Das Tier-Modell priorisiert nach Einfluss auf die Entitätsvalidierung:

Die Regel: Nur verifizierte, aktive Profile aufnehmen. Ein LinkedIn-Profil, das seit 2019 nicht aktualisiert wurde, schwächt das Signal statt es zu stärken.

Schritt 2 – JSON-LD-Block mit sameAs-Array erstellen

Ein konkretes Beispiel für ein B2B-Unternehmen:

Dieser Block gehört in den <head> der Homepage. Unterseiten referenzieren die Organisation per @id, ohne das vollständige Schema zu wiederholen.

Schritt 3 – Konsistenz über alle verlinkten Profile sicherstellen

NAP-Daten (Name, Address, Phone) müssen auf allen sameAs-Zielen identisch sein. Wenn die Website „Beispiel GmbH" schreibt, der Wikipedia-Artikel „Beispiel Gesellschaft mit beschränkter Haftung" und LinkedIn „BEISPIEL" – dann sieht die Maschine drei verschiedene Entitäten statt einer. Inkonsistenzen schwächen das Entitätssignal messbar. Die Schreibweise im Schema-Block ist die Referenz; alle externen Profile werden daran angeglichen.

Schritt 4 – Validierung und Monitoring

Drei Werkzeuge für die Prüfung: Google Rich Results Test für die technische Validität, Schema.org Validator für die semantische Korrektheit, Search Console Structured Data Report für die laufende Überwachung im Index. Zusätzlich: Regelmäßige Prüfung auf tote Links im sameAs-Array. Ein 404 im sameAs ist wie ein abgelaufener Personalausweis – er beweist nichts mehr.

Eine konsistente Entity-Strategie mit strukturierten Daten macht Markenkommunikation für Suchmaschinen und KI-Systeme gleichermaßen lesbar. Wer die Implementierung nicht intern abbilden kann, findet in spezialisierten B2B-Kommunikationsagenturen wie Crispy Content® einen möglichen Partner für die technische Umsetzung.

Typische Fehler bei Schema sameAs – und wie sie sich vermeiden lassen

Die Implementierung ist nicht schwer. Die Wartung schon. Fünf Fehler tauchen in der Praxis immer wieder auf:

• Tote URLs im sameAs-Array: Verlinkte Profile existieren nicht mehr oder geben 404 zurück. Die Lösung ist ein quartalsweises Audit aller sameAs-URLs – automatisierbar mit jedem Crawling-Tool.
• Inkonsistente Entitätsdaten: Der Firmenname auf Wikipedia weicht vom Schema-Eintrag ab. Einheitliche Schreibweise über alle Plattformen ist Pflicht, nicht Kür.
• Irrelevante Profile verlinken: Private Social-Media-Accounts statt offizieller Unternehmensprofile. Nur kontrollierte, offizielle Präsenzen gehören ins Array.
• sameAs mit @id verwechseln: @id ist eine interne Referenz, sameAs zeigt nach außen. Beide Properties arbeiten komplementär – @id für die interne Architektur, sameAs für die externe Validierung.
• Übermarkierung: Jede Unterseite mit vollem Organization-Schema ausstatten statt per @id zu referenzieren. Das Organization-Schema gehört auf die Homepage; Unterseiten referenzieren per @id.

Strukturierte Daten, Entitäten und KI-Sichtbarkeit – zukünftige Auswirkungen

Die Frage ist nicht mehr, ob strukturierte Daten für KI-Systeme relevant sind. Die Frage ist, wie schnell sich das Fenster schließt, in dem eine saubere Implementierung noch einen Vorsprung verschafft.

sameAs als Vertrauenssignal für Large Language Models

KI-Systeme wie Google AI Overviews, ChatGPT Search und Bing Copilot nutzen strukturierte Daten zur Quellenverifikation. Wenn ein LLM entscheiden muss, welche Quelle es zitiert, bevorzugt es Entitäten, die es bereits kennt – und sameAs-Links verbinden die eigene Marke exakt mit diesen bekannten Entitäten. Der BrightEdge-Report 2025 dokumentiert die positive Korrelation: Websites mit strukturierten Daten werden mit höherer Wahrscheinlichkeit in generativen KI-Antworten zitiert.

Entity-First-Indexierung und Knowledge-Graph-Erweiterung

Google verarbeitet Suchanfragen zunehmend über Entitäten statt über Keywords. Ein Organization-Schema mit sameAs, knowsAbout und @id bildet einen maschinenlesbaren Entitätsgraphen, der weit über eine einzelne Webseite hinausreicht. Die Prognose: KI-Systeme werden Schema-Angaben gegen Live-Quellen abgleichen. Ungenaue Daten werden nicht ignoriert – sie werden abgestraft. Wer heute falsche Informationen im Schema deklariert, riskiert morgen den Ausschluss aus KI-generierten Antworten.

Die dritte Zeile ist der Weckruf: Über drei Milliarden Entitäten sind 2025 aus dem Knowledge Graph verschwunden. Wer seine Entität nicht aktiv pflegt und validiert, verliert sie.

Vom sameAs-Array zur vollständigen Entity-Strategie

Das sameAs-Array ist der Einstieg, nicht das Ziel. Drei Erweiterungen machen aus einer einzelnen Property eine vollständige semantische Architektur:

• knowsAbout-Property: Deklariert die thematische Expertise der Organisation. Wenn das Organization-Schema sagt „Wir kennen uns mit Content-Strategie, SEO und strukturierten Daten aus", liefert das KI-Systemen ein Relevanz-Signal für genau diese Themen.
• Publisher-Referenz in Content-Schemata: BlogPosting- und Article-Schema mit publisher-Referenz auf die Organization-@id verknüpfen. So erbt jeder publizierte Inhalt die Entitätsautorität der Organisation – ein Multiplikator, der mit jedem neuen Artikel wächst.
• Multilingual-Strategie: inLanguage und hreflang mit konsistenten Entitätsdaten kombinieren. Die Entität bleibt dieselbe, unabhängig von der Sprache – aber die Maschine muss das explizit erfahren.

Der Lernpfad führt von der einzelnen sameAs-Implementierung zur vollständigen semantischen Architektur: Organization → Service → Person → Article. Jede Ebene referenziert die darüberliegende per @id. Das Ergebnis ist kein Markup auf einer Seite, sondern ein maschinenlesbarer Graph, der die gesamte digitale Präsenz einer Marke abbildet. Methoden geben Garantien – und ein sauberer Entitätsgraph garantiert Maschinen, dass sie es mit einer realen, verifizierten Organisation zu tun haben.

Quellen

Google (2025): Introduction to Structured Data Markup in Google Search. URL: https://developers.google.com/search/docs/appearance/structured-data/intro-structured-data (Zugriff am 20.07.2026).

BrightEdge (2025): The State of Structured Data 2025. URL: https://www.brightedge.com/blog/structured-data-ai-search-era (Zugriff am 20.07.2026).

Grudowski, Rafał / Grupa Insight (2026): Structured Data in 2026: Schema.org, AI Search and E-E-A-T. URL: https://www.grupainsight.com/articles/structured-data-in-the-era-of-ai-search-how-schema-org-strengthens-e-e-a-t-and-dominates-ai-overviews-sge-and-zero-click-results (Zugriff am 20.07.2026).

Stackmatix / Matt Pru (2026): Organization Schema Markup: Complete Guide to Knowledge Graph & Entity SEO. URL: https://www.stackmatix.com/blog/organization-schema-knowledge-graph (Zugriff am 20.07.2026).

Schema.org (laufend aktualisiert): sameAs – Schema.org Property. URL: https://schema.org/sameAs (Zugriff am 20.07.2026).

Google (2025): Organization Schema Markup. URL: https://developers.google.com/search/docs/appearance/structured-data/organization (Zugriff am 20.07.2026).