Strukturierte Daten und KI-Suche: Was Schema-Markup wirklich bewirkt

Von Manfred Mayer Rieger · Veröffentlicht 27. September 2026

Eine einzelne Codezeile erzählte die eigentlich interessantere Geschichte. Die Startseite eines kleinen britischen Heizungs- und Sanitärbetriebs enthält genau das Skript-Element, über das ein Schema-Plugin strukturierte Fakten an eine Suchmaschine übergibt — korrekt eingebunden, richtig typisiert, aber vollständig leer. Irgendwo zwischen der Installation des Plugins und dem Livegang der Seite hat niemand die Inhalte eingetragen. Für eine Besucherin wirkt die Seite wie jede andere lokale Handwerkerseite. Für alles, was den Quelltext statt der gerenderten Seite liest, existiert dieses Unternehmen schlicht nicht.

Genau diese Lücke zwischen dem, was das Markup einer Website verspricht, und dem, was eine Maschine daraus tatsächlich lesen kann, zieht sich durch die meisten Antworten auf die Frage, ob Schema-Markup in der KI-Suche überhaupt etwas bringt. Eine Prüfung von neun vergleichbaren kleinen Unternehmensseiten — ausgewählt aus zwei unabhängig veröffentlichten Bestenlisten für Handwerker-Websites, geprüft am 27. September 2026 — fand genau diesen leeren Tag bei einer von ihnen. Die übrigen acht trugen bereits irgendeine Form von Organization-, LocalBusiness- oder branchenspezifischem Markup. Fehlendes Schema war in dieser Stichprobe nicht das Muster. Unvollständiges Schema war es.

Was leistet strukturiertes Markup für ein KI-System überhaupt?

Schema-Markup bedeutet in der Praxis: ein Block aus JSON-LD im Quelltext einer Seite — Fakten in Schlüssel-Wert-Form, etwa Name, Unternehmensform, Adresse und Links zu Social-Profilen, in einem Format, das eine Maschine direkt auslesen kann, statt es aus Fließtext zu erschließen. Ein Organization- oder LocalBusiness-Knoten beantwortet dabei die Frage, wem eine Seite gehört. Es ist dieselbe Information, die ein menschlicher Besucher ohnehin schon aus Kopf- und Fußzeile entnimmt — nur ein zweites Mal, in einer Form, bei der nichts erraten werden muss.

Die Theorie, warum das für eine KI-Antwort eine Rolle spielen sollte, liegt nahe: Ein System, das eine Antwort aus abgerufenen Textstellen zusammensetzt, muss herausfinden, wer etwas sagt und wie sehr es dem trauen kann — und ein sauberer strukturierter Block nimmt ihm dabei einen Teil dieser Schlussfolgerung ab. Ob die Theorie auch hält, was sie verspricht, ist eine andere Frage.

Wie vollständig ist das Schema, das bereits vorhanden ist?

Von den acht kleinen Unternehmensseiten mit einem Entitätsknoten belegte keine einzige alle Eigenschaften, die das Format hergibt — Name, URL, Logo, Beschreibung, sameAs, Adresse, Telefonnummer. Links, die den Knoten mit einem Social- oder Verzeichnisprofil verbinden, also die sameAs-Eigenschaft, fanden sich bei drei der acht. Die übrigen fünf hatten einen Namen und eine URL — und blieben dabei stehen.

Die gewählte Art des Schemas machte dabei einen größeren Unterschied als erwartet. Drei der acht Seiten deklarierten schlicht Organization statt LocalBusiness oder eines spezifischeren Subtyps wie Plumber. Keine dieser drei Seiten führte im Schema eine Adresse oder Telefonnummer — nicht, weil das Unternehmen diese Angaben verheimlichen wollte, sondern weil Organization schlicht kein Feld dafür vorsieht und niemand zu einem Typ gewechselt ist, der eines hat. Dieselbe Telefonnummer stand wenige Zentimeter weiter unten in der Fußzeile — lesbar für eine Besucherin, unsichtbar für alles, was stattdessen das Markup ausliest.

Bringt zusätzliches Schema tatsächlich mehr KI-Zitate?

An dieser Stelle hält die Theorie nicht ganz stand. Im Mai 2026 veröffentlichte Ahrefs eine Studie, die 1.885 Seiten verfolgte, die zwischen August 2025 und März 2026 JSON-LD-Schema ergänzt hatten, im Vergleich zu 4.000 abgeglichenen Seiten ohne eine solche Änderung — gemessen an den Zitierraten bei Google AI Overviews, Google AI Mode und ChatGPT. Das Ergebnis: Die Zitate bei AI Overviews sanken um 4,6 %, bei AI Mode stiegen sie um 2,4 %, bei ChatGPT um 2,2 %. Die Studie stuft beide Anstiege als statistisch nicht von null unterscheidbar ein, den Rückgang als ungeklärt, aber nicht auf das Markup selbst zurückführbar. Zusätzliches Schema brachte für sich genommen bei keinem der drei Systeme einen messbaren Zitatgewinn.

Das ist ein konkretes, überprüfbares Ergebnis, und es macht die Sache komplizierter, als die meisten Ratgeber zum Thema zugeben. Eine Korrelation zeigt sich trotzdem an anderer Stelle: Andere Auswertungen aus 2026 fanden, dass ein großer Teil der bereits von ChatGPT und Google AI Mode zitierten Seiten zufällig auch strukturierte Daten trägt. Zusammen mit Ahrefs’ kontrolliertem Ergebnis deuten beide Befunde in dieselbe Richtung — Schema tritt eher gemeinsam mit Seiten auf, die ohnehin schon aus anderen Gründen zitiert worden wären, als dass es das Zitat selbst auslöst.

Warum betont Google dann trotzdem, wie wichtig strukturierte Daten seien?

Weil das nach wie vor stimmt — nur eben nicht als KI-spezifische Anforderung. Googles eigene Entwicklerdokumentation stellt klar, dass für seine KI-Funktionen kein spezielles schema.org-Markup nötig ist und dass die üblichen SEO-Grundlagen die Basis bleiben. Die Empfehlungen dahinter sind dieselben, die es schon vor der generativen Suche gab — crawlbare Inhalte, eine klare Struktur, und ausdrücklich: strukturierte Daten sollen mit dem sichtbaren Seiteninhalt übereinstimmen. Genau an dieser letzten Bedingung scheitert ein leerer JSON-LD-Tag, unabhängig davon, mit welcher Absicht er ursprünglich eingebaut wurde.

Was bleibt einem Unternehmen davon übrig?

Eine maschinenlesbare Fassung von Fakten, die eine Seite einem Menschen ohnehin schon mitteilt — nützlich zur Unterscheidung, für einen Wissensgraphen, der klären will, wer wer ist, und für die eher unauffälligen Teile technischer SEO, die Google seit einem Jahrzehnt empfiehlt. Kein Hebel für Zitate. Nichts, was laut der einen kontrollierten Studie, die genau diesen Effekt isolieren wollte, für sich allein etwas bewegt.

Die Identitätsfrage dahinter — ein einheitlicher Name und einheitliche Fakten über Titel-Tag, Markup und Social-Profile hinweg — ist ein eigenes Problem, unabhängig von KI-Zitaten, und lohnt sich unabhängig davon zu lösen; Entity SEO behandelt genau diesen Abgleich. Ein Schema-Prüfer bestätigt zunächst, dass ein Block überhaupt vorhanden ist und sich parsen lässt — genau der grundlegendere Fehler, den diese kleine Stichprobe zutage förderte, denn ein leerer Tag scheitert nicht eleganter als ein fehlender. Wie ein Modell den Rest einer Seite darüber hinaus liest, behandelt der KI-SEO-Ratgeber ausführlicher. Den Block korrekt zu füllen, lohnt sich. Nur ist es nicht der Hebel, für den ihn die meisten halten, die darüber schreiben.