Schema und strukturierte Daten fuer AI Overviews

Strukturierte Daten fuer AI Overviews sind standardisierte JSON-LD-Codebloecke, die Large Language Models die konkrete Bedeutung und den Kontext von Webseiten-Inhalten maschinenlesbar vermitteln. Sie fungieren als direkte Datenschnittstelle zu Suchmaschinen und erhoehen die Wahrscheinlichkeit massiv, in generativen KI-Antworten als zuverlaessige Quelle zitiert zu werden.

Zusammenfassung

• Maschinenlesbarkeit zwingend erforderlich: KI-Systeme bevorzugen Inhalte, deren Kernaussagen durch JSON-LD eindeutig deklariert sind.
• FAQ-Schema wirkt weiter: Google ignoriert FAQ-Rich-Snippets in der klassischen Suche fast vollstaendig, liest sie fuer AI Overviews jedoch als Frage-Antwort-Paare aus.
• Autoren-Entitaeten schaffen Vertrauen: Das Article-Schema mit verknuepftem Autoren-Profil belegt Ihre Fach-Expertise.
• B2B-Produkte strukturieren: Nutzen Sie Product-Schema auch fuer Software oder Industriemaschinen, um Features an die KI zu verfuettern.
• Validierung: Fehlerhaftes Schema wird von KI-Systemen komplett ignoriert. Pruefen Sie den Code zwingend im Rich Results Test.

Inhaltsverzeichnis

• Warum strukturierte Daten die Sichtbarkeit in AI Overviews bestimmen?
• Welche JSON-LD-Typen nutzt Googles KI konkret?
• Wie unterscheiden sich die Effekte von Schema-Typen?
• Wie validieren Sie Schema Markup fuer KI-Systeme?
• Was funktioniert bei Schema fuer AI Overviews nicht?
• FAQ

Warum strukturierte Daten die Sichtbarkeit in AI Overviews bestimmen?

Das Fundament der Generative Engine Optimization begruendet sich auf der sauberen Datenaufbereitung. KI-Modelle wie Googles Gemini muessen den Sinngehalt eines Textes in Millisekunden erfassen. Reine Fliesstexte erfordern rechenintensive Analysen, um Entitaeten, Beziehungen und Fakten zu extrahieren. Strukturierte Daten nehmen den Modellen diese Arbeit ab. Sie servieren die Fakten sozusagen auf dem Silbertablett.

Wenn Sie verstehen moechten, wie Sie generell /ai-overviews-optimieren, beginnt der Prozess fast immer auf der Code-Ebene. Large Language Models nutzen Retrieval-Augmented Generation. Das bedeutet: Sie suchen passendes Wissen in einer Datenbank, bevor sie die eigentliche Textantwort generieren. JSON-LD formatiert Ihr Wissen exakt fuer diese Datenbanken.

Sobald Google eine Antwort fuer eine komplexe B2B-Suchanfrage zusammensetzt, favorisiert der Algorithmus Quellen mit klaren Strukturen. Die KI geht ein geringeres Risiko fuer Halluzinationen ein, wenn die Fakten via Schema.org zertifiziert sind. Ein B2B-Software-Anbieter, der Preise und Funktionen als strukturierten Datensatz bereitstellt, landet eher in einer vergleichenden KI-Zusammenfassung als ein Konkurrent, der dieselben Daten tief in einem PR-Artikel versteckt.

Welche JSON-LD-Typen nutzt Googles KI konkret?

Wenn Sie lernen wollen, wie Sie Schritt fuer Schritt /ai-overviews-optimieren/fuer-ai-overviews-optimieren-anleitung, muessen Sie zunaechst die passenden Werkzeuge waehlen. Nicht jeder der ueber achthundert verfuegbaren Schema.org-Typen bringt Vorteile fuer die KI-Suche. Wir fokussieren uns auf die sechs wichtigsten Typen.

Ein grundlegendes Verstaendnis fuer die Implementierung finden Sie im /technische-geo/json-ld-leitfaden. Lesen Sie dort nach, wie Sie den Code in Ihr Content-Management-System injizieren. Einen schnellen Ueberblick fuer den B2B-Alltag liefert unser /schema-org-cheatsheet-b2b.

Article mit Autor-Entities

KI-Modelle gewichten Signale zur Fachexpertise sehr hoch. Googles Systeme praeferieren Fachartikel, bei denen ein klarer Autor mit thematischer Autoritaet benannt ist. Das Article-Schema verknuepft den reinen Text mit der Entitaet des Autors und des herausgebenden Unternehmens.

{
  "@context": "https://schema.org",
  "@type": "Article",
  "headline": "ERP-Migration im Maschinenbau",
  "author": {
    "@type": "Person",
    "name": "Dr. Sarah Mueller",
    "url": "https://ihredomain.de/autoren/sarah-mueller"
  },
  "publisher": {
    "@type": "Organization",
    "name": "TechConsult GmbH"
  }
}

Nutzen fuer das AI Overview: Das Modell ordnet den Text einer verifizierbaren Person zu. Suchen Nutzer nach "Expertenmeinung ERP Migration", greift die KI auf dieses strukturierte Autorensignal zurueck.

FAQPage: Totgeglaubt, aber fuer KI hochrelevant

Mitte 2024 entfernte Google die ausklappbaren FAQ-Boxen aus den normalen Suchergebnissen. Viele SEO-Verantwortliche loeschten daraufhin das FAQPage-Schema von ihren Seiten. Ein folgenschwerer Fehler im Zeitalter der Generativen Suche.

Nutzer formulieren ihre Prompts in Form von Fragen. Das FAQPage-Schema markiert Inhalte exakt als solche Frage-Antwort-Paare. Wenn die Suchmaschine den Vektor der Nutzerfrage mit dem Vektor Ihrer FAQ abgleicht, entsteht ein perfekter Treffer. Das JSON-LD signalisiert der KI klar die Praemisse "Auf Frage X folgt bei uns die praezise Antwort Y".

{
  "@context": "https://schema.org",
  "@type": "FAQPage",
  "mainEntity": [{
    "@type": "Question",
    "name": "Wie lange dauert eine typische B2B-CRM-Implementierung?",
    "acceptedAnswer": {
      "@type": "Answer",
      "text": "Eine B2B-CRM-Implementierung dauert im Schnitt drei bis sechs Monate, abhaengig von der Datenmigration und den angeforderten Schnittstellen."
    }
  }]
}

Nutzen fuer das AI Overview: Sie stellen der KI vorgefertigte Snippets zur Verfuegung, die sie nahezu 1:1 als Textausgabe uebernehmen kann.

HowTo fuer schrittweise Anleitungen

Wenn Einkaeufer oder Techniker Instruktionen benoetigen, fragen sie oft nach "Schritt-fuer-Schritt"-Loesungen. Das HowTo-Schema deklariert exakte Ablauefe. Die KI versteht durch die Parameter step und itemListElement die chronologische Logik. B2B-Beispiele sind Installationsanleitungen fuer Maschinenbauteile oder Onboarding-Prozesse fuer neue Software.

{
  "@context": "https://schema.org",
  "@type": "HowTo",
  "name": "Industrieroboter kalibrieren",
  "step": [{
    "@type": "HowToStep",
    "position": 1,
    "text": "Stellen Sie den Stromfluss ab und aktivieren Sie die Wartungssperre."
  }]
}

Nutzen fuer das AI Overview: Die KI nutzt solche formatierten Listen extrem gerne, um Aufzaehlungen in den Antworten zu generieren. Sie zitieren Ihre Domain als Urheber der Methode.

Product mit Offers fuer B2B-Kataloge

Viele B2B-Unternehmen verzichten auf das Product-Schema, weil sie keine direkten Online-Kaeufe anbieten. Doch auch komplexe B2B-Leistungen wie "Cloud ERP" oder "Industriezentrifuge X900" sind Produkte.

Nutzen Sie das Markup, um technische Spezifikationen maschinenlesbar zu machen. KI-Systeme lieben harte Daten, um Vergleiche aufzubauen. Wenn ein Nutzer fragt "Welche Industriezentrifugen schaffen 10.000 Umdrehungen?", bedient sich Google der Product-Attribute aus dem JSON-LD.

{
  "@context": "https://schema.org",
  "@type": "Product",
  "name": "Cloud-CRM Enterprise",
  "category": "B2B Software",
  "offers": {
    "@type": "Offer",
    "priceCurrency": "EUR",
    "price": "499.00"
  }
}

Nutzen fuer das AI Overview: Liefert der generativen Engine direkt nutzbare Produktdaten fuer Vergleichsmatrizen und Zusammenfassungen ohne muelligen HTML-Code.

Organization und SameAs fuer den Trust

Sie muessen verifizieren, dass Ihr B2B-Unternehmen eine etablierte Marke in einer speziellen Nische ist. Das koennen Sie der KI durch das Organization-Schema und das sameAs-Attribut beibringen. Sie verlinken Ihre Domain mit bekannten Registern wie Wikipedia, Wikidata, LinkedIn oder bestimmten Fachverbaenden.

{
  "@context": "https://schema.org",
  "@type": "Organization",
  "name": "TechConsult GmbH",
  "url": "https://ihredomain.de",
  "sameAs": [
    "https://www.linkedin.com/company/ihredomain",
    "https://de.wikipedia.org/wiki/IhreFirma"
  ]
}

Nutzen fuer das AI Overview: Die Suchmaschine vernetzt Ihre Domain mit verifizierten Knowledge-Graph-Eintraegen. Dies erhoeht Ihren Trust-Score. Hoeherer Trust bedeutet haeufigere Nennungen in KI-Zusammenfassungen.

Speakable fuer Audio-Zusammenfassungen

In Kuerze werden KI-Antworten nicht nur visuell dargestellt, sondern auch haeufiger vorgelesen. Die mobile KI-Suche pusht Audio-Integration. Mit dem Speakable-Schema definieren Sie Textpassagen, die besonders gut fuer die Sprachausgabe geeignet sind. Markieren Sie Zusammenfassungen am Anfang Ihres Beitrags.

{
  "@context": "https://schema.org",
  "@type": "WebPage",
  "name": "Marktstudie Baumaschinen",
  "speakable": {
    "@type": "SpeakableSpecification",
    "cssSelector": [".tldr-zusammenfassung"]
  }
}

Nutzen fuer das AI Overview: Steigert die Chance, als kurze Audio-Ausgabe am Smartphone priorisiert zu werden, da die Dauer und der Fokus des Textes bekannt sind.

Wie unterscheiden sich die Effekte von Schema-Typen?

Um Ihre Ressourcen zu schonen, priorisieren Sie die Typen nach ihrem konkreten Mehrwert fuer das AI Overview und die klassische Suche. Die folgende Tabelle bietet Ihnen eine schnelle Orientierung fuer Ihren B2B-Redaktionsplan.

Diese Matrix verdeutlicht, warum das klassische Suchmaschinen-Denken bei strukturierten Daten nicht mehr ausreicht. Sie uebergeben der KI die Daten nicht als optische Verschoenerung, sondern als faktische Wahrheit.

Wie validieren Sie Schema Markup fuer KI-Systeme?

Tiefgehendes technologisches Fachwissen zu Validierungsprozessen der /technische-geo erfordert Disziplin. Code-Fehler im JSON-LD fuehren dazu, dass der KI-Algorithmus den kompletten Datenblock fallenlaesst. Im Gegensatz zum HTML-Rendering verzeihen die Parser hier keine weggelassenen Kommata oder vergessene Klammern.

Um Fehlerquellen einzugrenzen, setzen Sie auf einen zweistufigen Validierungsprozess:

1. Schema Markup Validator prüfen: Nutzen Sie das offizielle Tool von Schema.org. Kopieren Sie Ihren Code-Schnipsel in das Textfeld. Dieses Tool ueberprueft, ob Sie die Taxonomie richtig angewendet haben. Es warnt Sie, wenn Sie ein verpflichtendes Eigenschaftsfeld vergessen haben.
2. Rich Results Test durchfuehren: Dieser Test stammt direkt von Google. Hier pruefen Sie die generierte URL. Das ist der wichtigere Schritt. Er zeigt auf, welche Daten Googles Bot bei einer echten Indexierung verwertet. Nur was im Rich Results Test gruen aufleuchtet, erreicht spatere KI-Antworten.

Eine vollstaendige Checkliste fuer das Bugfixing von Schema-Daten finden Sie in unserem Beitrag /technische-geo/schema-org-fuer-geo. Achten Sie darauf, den Code nicht nur direkt nach der Erstellung zu testen. Pruefen Sie regelmaessig, ob CMS-Updates Ihre JSON-Strukturen zerschossen haben.

Was funktioniert bei Schema fuer AI Overviews nicht?

Die Versuchung im Code-Bereich unlautere Taktiken zu nutzen, ist gross. AI Overviews reagieren jedoch empfindlicher auf Spam-Signale als alte Algorithmus-Versionen. Die LLMs erkennen Diskrepanzen zwischen dem maschinenlesbaren Schema und dem vom Menschen konsumierten Text sehr schnell.

Ignorieren Sie niemals den Grundsatz der Inhaltsgleichheit. Wenn Ihr FAQPage-Schema Antworten definiert, die im sichtbaren Text der Website gar nicht auftauchen, bewertet die KI dies als Manipulation. Solche Spam-Markups markieren den betroffenen Artikel im Algorithmus als unzuverlaessig. Das fuehrt zum sofortigen Ausschluss aus den Quellen der generativen Suche.

Vermeiden Sie vollgepackte Keywords im JSON-LD. Verfassen Sie die Felder praezise. Ein Product-Schema sollte den reinen Maschinennamen "Industrie-Drehbank Z-800" enthalten, nicht den Keyword-Wurm "Industrie-Drehbank Z-800 kaufen guenstig vom Hersteller B2B Lieferung". Das Language Model dekonstruiert den Text ohnehin. Keyword-Stuffing senkt die semantische Qualitaet beim Vector-Embedding erheblich.

Verzichten Sie zudem auf voellig abwegige Typen. Wenn Sie ein technisches Whitepaper anbieten, markieren Sie es nicht als Event, nur um mehr Aufmerksamkeit zu erregen. KI-Systeme bewerten die Logik des bereitgestellten Schemas in Relation zur Gesamtdomain. Halten Sie die Daten sauber, sachlich und korrekt.

FAQ

Brauche ich zwingend JSON-LD fuer AI Overviews?

Nein, aber es beschleunigt und sichert Ihr Vorkommen ab. Die KI kann Informationen auch aus unstrukturierten Texten extrahieren. JSON-LD erhoeht jedoch die Praezision enorm und minimiert das Risiko, dass die KI Fakten falsch interpretiert.

Sollte ich Microdata oder JSON-LD verwenden?

Verwenden Sie grundsaetzlich JSON-LD. Google empfiehlt dieses Format seit Jahren offiziell. Es trennt den Daten-Layer sauber vom eigentlichen HTML-Markup. Das macht es weitaus performanter, weniger anfaellig fuer Darstellungsfehler und leichter fuer Suchmaschinen-Crawler zu verarbeiten.

Hilft FAQPage-Schema noch, obwohl Google es aus den normalen SERPs entfernt hat?

Ja. Fuer AI Overviews liefert es hochqualitative Frage-Antwort-Trainingsdaten. Die generativen Modelle scannen und verarbeiten diese Bloecke sehr effizient. Auch wenn die visuellen Akkordeons in der Textsuche weg sind, der Vektor-Wert fuer die Beantwortung haeufiger Suchfragen bleibt gewaltig.

Wie viel Code darf eine Seite maximal enthalten?

Google definiert kein hartes Zeichenlimit fuer JSON-LD, empfiehlt aber Relevanz. Markieren Sie die essenziellen Knotenpunkte einer URL. Ein JSON-Code, der den Groessenrahmen der halben HTML-Datei sprengt, verlangsamt die Ladezeit und wertet das Signal durch Ueberfuellung ab.

Welcher Schema-Typ ist im B2B am wichtigsten?

Fuer das reine Markenvertrauen ist Organization mit dem sameAs-Attribut unschlagbar. Um konkrete Suchanfragen Ihrer Zielgruppe zu dominieren, liefern Article mit Autorenverknuepfung sowie FAQPage die meisten Zitierungen innerhalb der AI Overviews.