Strukturierte Daten für KI-Sichtbarkeit 2026

Strukturierte Daten für KI-Sichtbarkeit sind 2026 der Unterschied zwischen Marken, die in generativen Antworten erscheinen, und solchen, die dort schlicht nicht existieren. Gartner prognostizierte bereits einen Rückgang des klassischen Suchmaschinen-Traffics um 25 % bis 2026 durch KI-gestützte Suche.¹ Das Spielfeld hat sich verschoben – und mit ihm die Regeln.

Warum klassisches SEO-Wissen für die KI-Ära nicht mehr ausreicht

Eine Analyse von über 12.000 URLs durch AirOps zeigt: Viele Seiten, die auf Seite 1 bei Google ranken, werden von ChatGPT vollständig ignoriert.² Das Problem liegt nicht in mangelnder Domain Authority oder fehlenden Backlinks. LLMs (Large Language Models) – also die KI-Systeme hinter ChatGPT, Perplexity oder Googles AI Overviews – lesen Webseiten fundamental anders als klassische Suchmaschinen-Crawler. Sie suchen nach semantischer Klarheit, nach eindeutigen Entitäten und nach Inhalten, die sich maschinell in Antworten übersetzen lassen.

Wer bereits SEO betreibt, aber in generativen Suchergebnissen unsichtbar bleibt, hat kein Content-Problem. Das Optimierungspotenzial liegt in der Content-Strukturierung auf semantischer Ebene – in schema.org-Markup, in JSON-LD, in der expliziten Definition von Entitäten und deren Beziehungen. Mehr Keyword-Dichte oder ein weiterer Gastbeitrag ändern daran nichts.

Welche Konzepte die Grundlage für semantische Optimierung bilden

Bevor eine Implementierung sinnvoll geplant werden kann, müssen die zentralen Bausteine klar voneinander abgegrenzt sein. Die folgenden Begriffe bilden das Fundament für jede Strategie rund um strukturierte Daten für KI-Sichtbarkeit:

• Schema.org ist ein standardisiertes Vokabular zur semantischen Auszeichnung von Webinhalten. Es definiert Typen wie Organization, Product oder Article und deren Eigenschaften. Suchmaschinen und KI-Systeme nutzen dieses Vokabular, um Inhalte eindeutig zu klassifizieren.
• JSON-LD (JavaScript Object Notation for Linked Data) ist das von Google empfohlene Format zur Einbettung strukturierter Daten. Es wird in einem separaten <script>-Tag platziert, getrennt vom sichtbaren HTML-Code.
• Microdata ist ein älteres Format, das strukturierte Daten direkt in HTML-Attribute einbettet (itemscope, itemtype, itemprop). Es ist schwerer zu pflegen als JSON-LD und wird zunehmend durch dieses ersetzt.
• Knowledge Graph bezeichnet ein Netzwerk aus Entitäten und deren Beziehungen zueinander. Google, Microsoft und KI-Systeme nutzen Knowledge Graphs, um Bedeutung und Kontext zu verstehen – nicht nur einzelne Keywords.
• Entitäten-SEO optimiert auf eindeutig identifizierbare Konzepte (Personen, Marken, Produkte, Orte) statt auf Suchbegriffe. Eine Entität ist ein Ding mit einer eindeutigen Identität, unabhängig von der Sprache oder Schreibweise.
• Linked Data ist das Prinzip der Verknüpfung von Datenpunkten über URIs (Uniform Resource Identifiers), damit Maschinen Zusammenhänge zwischen verschiedenen Informationsquellen erkennen.
• llms.txt ist ein vorgeschlagener Standard – eine Textdatei im Root-Verzeichnis einer Website, die LLMs eine strukturierte Übersicht über die verfügbaren Inhalte gibt. Sie funktioniert als Pendant zur robots.txt, aber speziell für KI-Crawler.³

Die Abgrenzung ist relevant: JSON-LD, Microdata und RDFa sind unterschiedliche Implementierungsformate für dasselbe Ziel – die maschinenlesbare Auszeichnung von Inhalten nach dem schema.org-Vokabular. Sie sind keine Synonyme, sondern technische Alternativen mit unterschiedlichen Vor- und Nachteilen.

Wie KI-Systeme strukturierte Inhalte tatsächlich verarbeiten

Die searchVIU-Studie von 2025 testete experimentell, wie fünf verschiedene KI-Systeme mit Schema Markup umgehen.⁴ Das Ergebnis widerlegt eine verbreitete Annahme: LLMs durchlaufen keine einheitliche Pipeline. Stattdessen existieren vier Phasen, in denen strukturierte Daten unterschiedlich relevant sind:

1. Training – LLMs lernen aus großen Textkorpora, die auch Webseiten mit Schema Markup enthalten.
2. Indexierung – Google und Bing extrahieren JSON-LD und nutzen es für AI Overviews und Copilot.
3. Suche – KI-Systeme greifen auf Suchindizes zu, die durch Schema Markup angereichert sind.
4. Direct Fetch – ChatGPT, Claude und Perplexity rufen Webseiten direkt ab und extrahieren nur sichtbaren HTML-Content. JSON-LD wird in dieser Phase vollständig ignoriert.

Diese Erkenntnis hat eine direkte Konsequenz: Sichtbarer Content und Schema Markup müssen als Doppelstrategie funktionieren. Alle Informationen, die im JSON-LD enthalten sind, müssen auch im sichtbaren HTML vorhanden sein – sonst erreichen sie nur die Indexierungsphase, nicht den Direct Fetch.

Google und Microsoft bestätigten im März 2025 öffentlich, dass strukturierte Daten für ihre generativen KI-Features genutzt werden.⁵ Entity Linking – also die Verknüpfung von Marken-Entitäten mit Wikidata oder dem Google Knowledge Graph – steigerte die AI-Overview-Sichtbarkeit in einer Schema-App-Messung um 19,72 %.⁵

Warum Seiten mit mehreren Schema-Typen häufiger zitiert werden

Die AirOps-Studie liefert konkrete Zahlen: Seiten mit drei oder mehr Schema-Typen erscheinen in 61 % der ChatGPT-Zitationen. Seiten, die lediglich in den Google-SERPs ranken, aber kein Rich Schema implementiert haben, kommen nur auf 25 %.² Seiten mit JSON-LD weisen einen 6,5 %-Vorteil gegenüber Seiten ohne JSON-LD auf – ein Zusammenhang, den auch ein UC-Berkeley-Paper aus 2025 bestätigt.⁶

Ein weiterer Faktor: Sequenzielle Heading-Strukturen (H1 → H2 → H3, ohne Sprünge) erhöhen die Zitationswahrscheinlichkeit um das 2,8-Fache.² Das ist keine Überraschung – eine klare Hierarchie ermöglicht es KI-Systemen, Teilinformationen präzise zu extrahieren und korrekt zu attribuieren.

Strukturierte Daten sind keine technische Nebensache mehr. Sie sind strategische Infrastruktur für Markensichtbarkeit in einer Welt, in der KI-Systeme die erste Anlaufstelle für Informationen werden.

Warum der Knowledge Graph zur Markeninfrastruktur wird

Ein Content Knowledge Graph transformiert die Inhalte einer Website in eine maschinenlesbare Datenschicht. Entitäten und ihre Beziehungen – Marke → Produkt → Expertise → Branche – werden explizit definiert, statt implizit im Fließtext versteckt zu bleiben. Ohne diese Klarheit erscheinen selbst etablierte Marken für KI-Systeme fragmentiert: Die KI erkennt nicht, dass Produkt A, Whitepaper B und Pressemitteilung C zur selben Organisation gehören.

Ein konkretes Beispiel: Wells Fargo korrigierte KI-Halluzinationen – also falsche Aussagen, die ChatGPT über das Unternehmen generierte – durch die Kombination aus semantischem Schema Markup und Knowledge-Graph-Verknüpfung.⁵ InSinkErator erzielte nach der Implementierung von Entity Linking einen Anstieg von 69 % bei Klicks auf Non-Branded Queries.⁵ Das bedeutet: Nutzer, die nicht nach der Marke selbst suchten, fanden das Unternehmen trotzdem – weil die KI die thematische Zugehörigkeit korrekt erkannte.

Für global agierende Unternehmen mit mehreren Märkten, Sprachen und Produktlinien ist der Knowledge Graph das Werkzeug, das Konsistenz über alle Touchpoints hinweg sicherstellt. Er ist das Pendant zur Markenarchitektur – nur für Maschinen. Wenn ein Konzern in Deutschland, den USA und Japan unterschiedliche Produktnamen verwendet, muss der Graph diese Varianten als Facetten derselben Entität verknüpfen.

Ein Entscheidungsrahmen für die Implementierung semantischer Auszeichnung

Die Implementierung von strukturierten Daten für KI-Sichtbarkeit folgt keinem linearen Rezept. Je nach Ausgangslage, CMS-Landschaft und Budget ergeben sich unterschiedliche Pfade. Der folgende Rahmen bietet Orientierung:

Schritt 1 – Audit: Bestandsaufnahme der vorhandenen Schema-Implementierung. Welche Typen sind bereits vorhanden? Welche Seiten haben gar kein Markup? Wo existieren Fehler oder veraltete Auszeichnungen? Tools wie der Google Rich Results Test oder Schema-Validatoren liefern hier schnelle Ergebnisse.

Schritt 2 – Entitäten definieren: Die Kernentitäten der Marke identifizieren – Organisation, Schlüsselpersonen, Produkte, Dienstleistungen, Themenfelder – und in einem zentralen Entity-Register dokumentieren. Dieses Register wird zur Single Source of Truth für alle weiteren Schritte.

Schritt 3 – JSON-LD implementieren: Mindestens die Typen Article, Organization und BreadcrumbList auszeichnen. Für E-Commerce kommen Product und Offer hinzu. Für Dienstleister sind Service und FAQ relevant.

Schritt 4 – Entity Linking: Entitäten mit externen Autoritätsquellen verknüpfen – Wikidata-IDs, Google Knowledge Graph IDs, Wikipedia-Einträge. Diese Verknüpfungen signalisieren KI-Systemen: „Diese Entität ist eindeutig identifiziert und verifiziert."

Schritt 5 – llms.txt bereitstellen: Eine strukturierte Übersicht der wichtigsten Seiten, Kategorien und Inhalte als Textdatei im Root-Verzeichnis ablegen.^{3 7} Diese Datei gibt LLMs bei der Inferenzzeit einen schnellen Überblick über die Website-Struktur.

Schritt 6 – Sichtbaren Content synchronisieren: Jede Information, die im JSON-LD steht, muss auch im sichtbaren HTML vorhanden sein. Wenn das Schema einen Preis von 299 € ausweist, muss dieser Preis auch im Fließtext oder in einer sichtbaren Tabelle stehen.⁴

Schritt 7 – Monitoring: AI-Sichtbarkeit messen. Erscheint die Marke in AI Overviews? Wird sie von ChatGPT zitiert? Taucht sie in Perplexity-Antworten auf? Neue Tools wie Schema Apps AI-Visibility-Tracker oder manuelle Stichproben liefern erste Datenpunkte.

Welcher Pfad bei begrenztem Budget Priorität hat

Unternehmen mit bestehendem CMS (WordPress, Typo3, Contentful) können Plugin-basiert starten – Yoast, RankMath oder spezialisierte Schema-Plugins decken die Grundlagen ab. Enterprise-Umgebungen mit mehreren Domains, Sprachen und Content-Systemen benötigen eine zentrale Knowledge-Graph-Plattform wie Schema App oder WordLift.

Wenn das Budget begrenzt ist, lautet die Priorisierung: JSON-LD für die Top-20-Seiten (nach Traffic und strategischer Relevanz) + llms.txt im Root-Verzeichnis + sequenzielle Heading-Hierarchie auf allen Seiten prüfen und korrigieren. Diese drei Maßnahmen liefern den höchsten Impact pro investierter Stunde.

Sonderfälle bei der semantischen Auszeichnung für KI-Systeme

JavaScript-gerenderte Inhalte: Gemini unterstützt JS-Rendering beim Live-Fetch. ChatGPT und Claude tun das nicht. Wenn eine Website ihre Inhalte erst clientseitig rendert (Single Page Applications, React ohne SSR), sehen diese KI-Systeme eine leere Seite. Server-Side Rendering (SSR) – also die serverseitige Auslieferung des vollständigen HTML – ist Pflicht für maximale Abdeckung über alle KI-Systeme hinweg.

Dynamisch eingefügtes JSON-LD: Schema Markup, das erst durch JavaScript nach dem initialen Seitenaufruf in den DOM eingefügt wird, wird von keinem KI-System beim Direct Fetch erkannt. Das Markup muss im initialen HTML-Response enthalten sein – also im Quellcode, den der Server ausliefert, bevor JavaScript ausgeführt wird.

Widersprüchliche Daten: Wenn auf einer Seite RDFa einen Preis von 199 € ausweist und JSON-LD gleichzeitig 249 € angibt, erkennt kein KI-System diesen Konflikt. Es wird willkürlich eine der beiden Informationen verwendet – oder die Seite wird als unzuverlässig eingestuft. Konsistenz zwischen allen Markup-Formaten und dem sichtbaren Content ist nicht optional.

Globale Unternehmen und das Agentic Web als Sonderfälle

Multilinguale Implementierung: Für global agierende Unternehmen muss der Knowledge Graph sprachübergreifend konsistent sein. Die deutsche Produktseite, die englische und die japanische Version müssen als Facetten derselben Entität verknüpft sein. Hreflang-Tags und Schema Markup müssen synchron arbeiten – wenn hreflang auf eine Sprachvariante verweist, muss das Schema dort dieselbe Entität mit derselben ID referenzieren.

Agentic Web: KI-Agenten – Browser-Assistenten, Shopping-Bots, automatisierte Recherche-Tools – benötigen noch präzisere strukturierte Daten als reine Antwort-Systeme. Sie müssen nicht nur Informationen extrahieren, sondern Aktionen ausführen: einen Termin buchen, ein Produkt in den Warenkorb legen, einen Vergleich erstellen. Microsofts NLWeb-Standard ermöglicht konversationelle KI-Interfaces auf Basis von Schema Markup.⁵ Unternehmen mit robustem Knowledge Graph sind bereits „agent-ready".

Perplexitys selektive Indexierung: In der searchVIU-Studie wurden nur 12,5 % der Testinhalte von Perplexity erfasst.⁴ Das bedeutet: Nicht jede Seite wird indexiert. Die Priorisierung der wichtigsten Seiten durch llms.txt, starke interne Verlinkung und klare Entitäten-Zuordnung entscheidet darüber, welche Inhalte es in den Index schaffen.

Jeder dieser Fälle erfordert eine spezifische technische Lösung. Ein Unternehmen mit einer statischen HTML-Seite hat andere Anforderungen als ein Konzern mit 47 Länderdomains auf einer headless CMS-Architektur.

Wie Unternehmen ihre KI-Sichtbarkeit systematisch aufbauen

Strukturierte Daten für KI-Sichtbarkeit sind 2026 keine SEO-Taktik mehr. Sie sind Markeninfrastruktur – vergleichbar mit der Mobile-First-Umstellung vor zehn Jahren. Wer damals nicht für mobile Endgeräte optimierte, verschwand aus den mobilen SERPs. Wer heute nicht semantisch strukturiert, verschwindet aus generativen Antworten. Der Unterschied: Diesmal passiert es schneller.

Die ersten Schritte sind klar definiert: JSON-LD-Audit durchführen → Entity-Register aufbauen → llms.txt im Root-Verzeichnis bereitstellen → Heading-Hierarchie auf allen relevanten Seiten prüfen → AI-Sichtbarkeit messen und iterieren. Vertiefende Ressourcen finden sich in der schema.org-Dokumentation, den Google Structured Data Guidelines und der llmstxt.org-Spezifikation.

Die Implementierung ist kein Redesign. Sie ist ein inkrementeller, messbarer Prozess. InSinkErator erzielte +69 % Klicks nach Entity Linking – ohne die Website neu zu bauen.⁵ Das Kosten-Nutzen-Verhältnis ist konkret bezifferbar, und die ersten Ergebnisse zeigen sich innerhalb weniger Wochen nach der Indexierung.

Crispy Content® arbeitet genau an dieser Schnittstelle: technisches SEO, Content-Strategie und semantische Auszeichnung – verbunden mit analytischer Kompetenz und Branchenfokus. Wenn Sie Ihre Markensichtbarkeit in KI-Systemen systematisch aufbauen möchten, sprechen Sie uns an.

Quellen:

¹ Gartner (2024): Prognose zum Rückgang des Suchmaschinen-Traffics um 25 % bis 2026 (referenziert via Rebound Communications, LinkedIn). URL: https://www.linkedin.com/posts/rebound-communications-llc_according-to-a-recent-gartner-report-search-activity-7383879366138667012-Um43 (Zugriff am 28.05.2026).

² AirOps / Oshen Davidson (2025): Why Ranking on Page One Isn't Enough. URL: https://www.airops.com/report/structuring-content-for-llms (Zugriff am 28.05.2026).

³ Search Engine Land (2025): Meet llms.txt, a proposed standard for AI website content. URL: https://searchengineland.com/llms-txt-proposed-standard-453676 (Zugriff am 28.05.2026).

⁴ searchVIU GmbH (2025): Schema Markup and AI in 2025: What ChatGPT, Claude, Perplexity & Gemini Really See. URL: https://www.searchviu.com/en/schema-markup-and-ai-in-2025-what-chatgpt-claude-perplexity-gemini-really-see/ (Zugriff am 28.05.2026).

⁵ Martha van Berkel / Schema App (2025): What 2025 Revealed About AI Search and the Future of Schema Markup. URL: https://www.schemaapp.com/schema-markup/what-2025-revealed-about-ai-search-and-the-future-of-schema-markup/ (Zugriff am 28.05.2026).

⁶ Cyrus Shepard (2025): Schema and AI Visibility: Separating Fact from Fiction (LinkedIn-Post, referenziert AirOps/Kevin Indig + UC Berkeley). URL: https://www.linkedin.com/posts/cyrusshepard_lets-talk-schema-and-ai-visibility-since-activity-7462419276642025472-oL2_ (Zugriff am 28.05.2026).

⁷ llmstxt.org (2025): llms-txt: The /llms.txt file – Offizielle Spezifikation. URL: https://llmstxt.org/ (Zugriff am 28.05.2026).

⁸ SSRN (2025): The Impact of JSON-LD Metadata on ChatGPT Visibility. URL: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=5641050 (Zugriff am 28.05.2026).