Schema Markup für KI-Suchmaschinen: Bestätigt und messbar

Schema Markup gilt im Zeitalter der KI-Suche als Wundermittel und als Mythos zugleich. Die einen verkaufen strukturierte Daten als Eintrittskarte in ChatGPT und Perplexity, die anderen halten sie für irrelevant, sobald Sprachmodelle Inhalte lesen. Beide Lager liegen daneben. Die Beweislage ist 2026 deutlich differenzierter und teilweise widersprüchlich. Dieser Artikel ordnet ein, was Schema Markup für KI-Suchsysteme nachweislich leistet, wo es überschätzt wird und welche Rolle es im DACH-Raum für die B2B-Sichtbarkeit spielt. Der Fokus liegt auf belegbaren Daten statt auf Versprechen.

Warum Schema Markup für KI-Sichtbarkeit relevant ist

KI-Suche ist kein Randphänomen mehr. In der Google-Suche stieg die Auslöserate für AI Overviews laut Semrush von 6,49 Prozent der Abfragen im Januar 2025 auf einen Höchstwert von 24,61 Prozent im Juli und pendelte sich im November bei 15,69 Prozent ein, gemessen über mehr als 10 Millionen Keywords. Auf identischen Keywords sank die Zero-Click-Rate laut derselben Analyse von 33,75 Prozent auf 31,53 Prozent. Ein wachsender Teil der Suchen endet also in einer generierten Antwort, nicht auf einer klassischen Ergebnisliste.

Der Traffic aus diesen Systemen ist qualitativ hochwertig. Laut einer internationalen Auswertung von Visibility Labs über 94 E-Commerce-Marken konvertierte ChatGPT-Traffic mit 1,81 Prozent und damit 31 Prozent höher als nicht-markenbezogener organischer Traffic mit 1,39 Prozent. Verglichen wurden dabei 9,46 Millionen organische Sessions mit 135.000 ChatGPT-Referral-Sessions über zwölf Monate. Wer in KI-Antworten auftaucht, gewinnt also nicht nur Reichweite, sondern kaufbereite Nutzer.

Schema Markup ist in diesem Umfeld die maschinenlesbare Schicht einer Website. Es übersetzt Inhalte in ein eindeutiges Vokabular, das Maschinen ohne Interpretationsspielraum verstehen. Die zentrale Frage lautet: Lesen KI-Suchsysteme dieses Vokabular überhaupt, und macht es einen messbaren Unterschied?

Wie KI-Systeme Inhalte verarbeiten und wo Schema ansetzt

Moderne KI-Suche basiert überwiegend auf RAG-Pipelines (Retrieval-Augmented Generation). Vereinfacht laufen drei Schritte ab: Das System ruft relevante Quellen ab, extrahiert deren Inhalt und generiert daraus eine Antwort. Schema Markup, meist als JSON-LD im HTML hinterlegt, kann in der Abruf- und Extraktionsphase helfen, indem es Entitäten klar benennt: Wer ist der Autor, was ist das Produkt, welche Frage beantwortet dieser Abschnitt.

Wichtig ist die Unterscheidung zwischen zwei Funktionen. Schema ist primär ein Werkzeug für das Entitätsverständnis, nicht ein direkter Ranking- oder Zitierfaktor. Es hilft Maschinen, Inhalte korrekt einzuordnen und Verbindungen zwischen Entitäten herzustellen. Es zwingt ein Sprachmodell aber nicht, eine Quelle zu zitieren.

JSON-LD ist dabei das dominante Format. Laut Web Almanac 2024 wuchs seine Verbreitung von 34 Prozent der gecrawlten Seiten im Jahr 2022 auf 41 Prozent im Jahr 2024 und ist damit das am schnellsten wachsende Strukturdatenformat und das von Google bevorzugte. Die häufigsten Typen sind laut derselben Quelle WebSite mit 12,73 Prozent, Organization mit 7,16 Prozent, BreadcrumbList mit 5,66 Prozent und LocalBusiness mit 3,97 Prozent der mobilen Seiten. Diese breite, crawlerlesbare Verbreitung ist ein zentraler Grund, warum Schema gegenüber neueren Vorschlägen wie llms.txt der belastbarere Hebel bleibt: Strukturierte Daten sind bereits Teil des bestehenden Crawling-Ökosystems, während llms.txt von den meisten KI-Crawlern bislang ignoriert wird.

Die Beweislage im Widerstreit

Hier wird es unbequem. Die seriösen Studien widersprechen sich, und genau das ist die wichtigste Erkenntnis für die Praxis.

Die kritische Position (Ahrefs): Ahrefs verfolgte 1.885 Seiten, die zwischen August 2025 und März 2026 JSON-LD-Schema hinzufügten, und verglich sie mit 4.000 Kontrollseiten in einem Difference-in-Differences-Test. Das Ergebnis: Google AI Overviews minus 4,6 Prozent (klein, aber statistisch signifikant), AI Mode plus 2,4 Prozent und ChatGPT plus 2,2 Prozent (beide statistisch nicht von null unterscheidbar). Das Fazit der Autoren ist deutlich: Das Hinzufügen von Schema erzeugte auf keiner Plattform einen nennenswerten Anstieg der Zitierungen.

Die optimistische Position (Otterly): Otterly.AI berichtet nach einer Schema-Implementierung über 319 Prompts im US-Markt von einem ganz anderen Bild: AI Overviews plus 611 Prozent, AI Mode plus 42 Prozent, gleichzeitig aber ChatGPT minus 71 Prozent, Copilot minus 64 Prozent, Gemini minus 35 Prozent und Perplexity unverändert. Entscheidend ist der begleitende Fetch-Test: Nur 1 von 7 KI-Plattformen, nämlich Gemini, konnte das rohe JSON-LD korrekt auslesen. Auch Otterly schließt daraus, dass Schema ein SEO-Hebel ist und kein GEO-Wachstumshebel.

Die offizielle Position (Google): Google selbst formuliert in seinem AI Optimization Guide nüchtern, dass strukturierte Daten für die generative KI-Suche nicht erforderlich sind und kein spezielles schema.org-Markup hinzugefügt werden muss, es aber sinnvoll bleibt, sie als Teil der gesamten SEO-Strategie einzusetzen, weil sie die Eignung für Rich Results unterstützen. Google rahmt die Optimierung für KI-Suche ausdrücklich als Fortsetzung von SEO.

Was Praktiker daraus ableiten sollten: Schema ist kein verlässlicher Zitier-Booster für KI-Systeme. Die widersprüchlichen Vorzeichen bei Ahrefs und Otterly und die schwache statistische Signifikanz zeigen, dass der Effekt klein und plattformabhängig ist. Schema bleibt aber ein etabliertes SEO-Fundament, und über AI Overviews ist Googles klassische Suche eng mit der KI-Antwort verzahnt.

Welche Plattformen Schema tatsächlich lesen

Die Annahme, KI-Systeme würden strukturierte Daten flächendeckend verarbeiten, hält der Prüfung nicht stand. Der Otterly-Fetch-Test ist hier eindeutig: 6 von 7 getesteten Plattformen konnten Schema-Markup auf direkte Nachfrage nicht abrufen oder korrekt interpretieren, nur Gemini lieferte das richtige JSON-LD. Getestet wurden ChatGPT, Google AI Overviews, Google AI Mode, Perplexity, Microsoft Copilot, Gemini und Claude.

Daraus ergibt sich ein realistisches Bild der Plattformlandschaft:

Google AI Overviews, AI Mode und Gemini: Diese Systeme stehen Schema am nächsten, da sie auf Googles Index aufsetzen, der strukturierte Daten ohnehin verarbeitet. Gemini konnte als einziges System JSON-LD direkt auslesen.

ChatGPT, Perplexity, Claude und Copilot: Diese Systeme verlassen sich überwiegend auf den sichtbaren, gerenderten Seiteninhalt und nicht auf das eingebettete Markup. Für sie zählt, was im lesbaren Text steht.

Microsoft Bing und Copilot, mit Einschränkung: Hier gibt es eine wichtige offizielle Gegenstimme. Fabrice Canel von Microsoft Bing bestätigte auf der SMX Munich im März 2025, dass Schema-Markup den LLMs von Microsoft hilft, Inhalte zu verstehen. Canel empfahl zudem, frische Inhalte über die IndexNow-API zu pushen, da generative KI besonders aktuelle Inhalte wertschätzt, auch als Abgleich mit den LLM-Trainingsdaten. Microsoft hat die Nutzung also offiziell bestätigt, während der Otterly-Test bei Copilot keinen positiven Effekt fand. Diese Spannung zwischen offizieller Aussage und gemessener Wirkung ist typisch für das Feld.

Die praktische Konsequenz: Schema-Disziplin lohnt sich am stärksten im Google- und Microsoft-Ökosystem. Für die übrigen Systeme ist sauberer, klar formulierter Klartext wichtiger als das Markup.

NLWeb, MCP und das agentische Web

Über die heutige Zitierfrage hinaus deutet sich eine strukturelle Rolle für Schema.org an. Microsofts NLWeb-Initiative nutzt Schema.org als Fundament, um Websites in konversationelle Schnittstellen zu verwandeln, und verbindet dies mit dem Model Context Protocol (MCP), dem entstehenden Standard für die Kommunikation zwischen KI-Agenten und Datenquellen. Die Idee: Eine mit Schema strukturierte Website kann als Endpunkt fungieren, den ein KI-Agent direkt abfragt.

Besonders relevant wird das für Agentic Commerce. Wenn KI-Agenten künftig Produkte recherchieren, vergleichen und Kaufprozesse anstoßen, brauchen sie maschinenlesbare Produkt-, Preis- und Verfügbarkeitsdaten. Genau das liefert Product-Schema. Hier verschiebt sich die Begründung für Schema von der Zitierung hin zur Transaktionsfähigkeit: Strukturierte Produktdaten werden zur Voraussetzung dafür, dass ein Agent ein Angebot überhaupt korrekt erfassen und in einen KI-getriebenen Checkout überführen kann. Für B2B-Anbieter mit komplexen Leistungen ist das ein strategisches Argument, Produkt- und Organisationsdaten sauber zu strukturieren, auch wenn der unmittelbare Zitiereffekt heute gering ist.

Welche Schema-Typen für KI-Sichtbarkeit zählen

Nicht jeder Schema-Typ ist gleich wertvoll. Für KI-Sichtbarkeit und für die Verzahnung mit klassischem SEO sind vor allem diese relevant:

Organization: Definiert das Unternehmen als Entität, inklusive Name, Logo, Kontaktdaten und Profilen. Mit 7,16 Prozent Verbreitung laut Web Almanac einer der häufigsten Typen und Grundlage des Entity-Verständnisses.

Person und Author: Verknüpft Inhalte mit ihren Urhebern und stützt damit E-E-A-T-Signale (Expertise, Erfahrung, Autorität, Vertrauen). Gerade im B2B ist die nachweisbare Autorenschaft ein Differenzierungsmerkmal.

sameAs für Entity-Verknüpfung: Verbindet die eigene Entität mit autoritativen Referenzen wie Wikidata, LinkedIn oder Branchenverzeichnissen. Diese Verknüpfungen helfen Maschinen, die Identität eindeutig aufzulösen und im Entity-Graph zu verankern.

FAQPage: Strukturiert Fragen und Antworten maschinenlesbar. Der Nutzen ist umstritten, weil viele KI-Systeme den sichtbaren Text ohnehin lesen, aber das Format zwingt zu klar beantworteten Fragen, was die KI-Extraktion erleichtert.

Article und Product: Kennzeichnen redaktionelle Inhalte beziehungsweise Angebote. Product-Schema ist die Basis für Agentic Commerce, Article-Schema stützt die Einordnung von Fachinhalten.

Entscheidend ist nicht die Menge der Typen, sondern ihre Korrektheit und die Konsistenz mit dem sichtbaren Inhalt.

Schema versus Content: was wirklich bewegt

Wer KI-Sichtbarkeit ernst nimmt, sollte Prioritäten richtig setzen. Die Princeton-GEO-Studie liefert dafür die wichtigste Orientierung. Sie zeigt, dass GEO die Sichtbarkeit einer Quelle in generativen Antworten um bis zu 40 Prozent steigern kann, wobei die stärksten Hebel inhaltsbasiert sind: das Zitieren von Quellen, das Hinzufügen von Statistiken, das Einbinden von Zitaten sowie Autorität und sprachliche Klarheit, nicht technisches Markup.

Das deckt sich mit den Schema-Studien. Während Schema in den Tests von Ahrefs und Otterly bestenfalls marginale und widersprüchliche Effekte zeigte, bewegt belegbarer, gut strukturierter Inhalt die Zitierwahrscheinlichkeit messbar. Die Konsequenz für die Praxis ist eindeutig: Inhalt zuerst, Markup als Verstärker.

Beides spielt aber zusammen. Front-Loading, also das Voranstellen der Kernaussage direkt zu Beginn eines Abschnitts, erleichtert die Extraktion durch RAG-Systeme. Schema kann diese gut strukturierten Inhalte zusätzlich eindeutig auszeichnen. Wer also zuerst eine klar argumentierte, mit Daten und Quellen belegte Seite baut und sie dann sauber mit Schema annotiert, nutzt beide Hebel in der richtigen Reihenfolge.

Häufige Fehler bei Schema für KI

Schlechtes oder falsch eingesetztes Markup schadet mehr, als es nutzt. Diese Fehler treten besonders häufig auf:

Markup ohne Deckung im sichtbaren Inhalt: Schema, das Informationen behauptet, die auf der Seite nicht sichtbar sind, verstößt gegen Googles Richtlinien und kann zu manuellen Maßnahmen führen. Markup und sichtbarer Text müssen übereinstimmen.

Schema als Ersatz für Inhalt missverstehen: Die Studienlage ist klar, dass Markup keinen schwachen Inhalt rettet. Wer auf FAQPage-Schema setzt, aber keine substanziellen Antworten liefert, gewinnt nichts.

Fehlende Entity-Verknüpfung: Organization-Schema ohne sameAs-Verweise lässt die Entität isoliert. Ohne Anbindung an autoritative Referenzen bleibt die maschinelle Identitätsauflösung schwach.

Veraltete oder fehlerhafte Daten: Falsche Preise, alte Öffnungszeiten oder Syntaxfehler im JSON-LD untergraben das Vertrauen und können die Darstellung in Rich Results und KI-Antworten verhindern. Schema braucht Wartung.

llms.txt mit strukturierten Daten verwechseln: Manche Teams investieren in llms.txt und vernachlässigen Schema. Da llms.txt von KI-Crawlern weitgehend ignoriert wird, strukturierte Daten aber breit verarbeitet werden, ist diese Priorisierung falsch herum.

Messung und Tooling für KI-Sichtbarkeit

Ohne Messung bleibt jede Schema-Strategie Spekulation. Drei Ebenen sind relevant:

Schema-Validierung: Der Rich Results Test von Google und der Schema.org Validator prüfen, ob das Markup syntaktisch korrekt ist und von Google verarbeitet werden kann. Dies ist die technische Grundkontrolle vor jedem Deployment.

KI-Referral-Traffic in GA4: Verweise aus ChatGPT, Perplexity oder Copilot lassen sich in GA4 über die Referral-Quellen und eigene Channel-Gruppen isolieren. So wird sichtbar, wie viel Traffic und welche Conversions tatsächlich aus KI-Systemen stammen. Der Visibility-Labs-Befund von 1,81 Prozent Conversion-Rate bei ChatGPT-Traffic zeigt, dass sich diese Trennung lohnt.

Brand-Mention- und Citation-Monitoring: Tools wie Otterly, Ahrefs Brand Radar und Semrush verfolgen, wann und wie eine Marke in KI-Antworten zitiert wird. Im GEO-Kontext zählen Brand Mentions oft mehr als klassische Backlinks, weil KI-Systeme Marken als Entitäten erkennen und empfehlen, auch ohne verlinkende Quelle.

Wichtig ist, die richtige Metrik zu wählen: Schema-Effekte zeigen sich primär in Google-Rich-Results und AI Overviews, nicht in ChatGPT-Zitierungen. Wer den Erfolg von Markup an ChatGPT-Mentions misst, misst am falschen Ort.

DACH-Kontext und Weiterführendes

Für den österreichischen B2B-Markt ist der KI-Reifegrad entscheidend. Laut Statistik Austria nutzten 20 Prozent der österreichischen Unternehmen ab 10 Beschäftigten im Jahr 2024 KI-Technologien, nach knapp 11 Prozent im Vorjahr, was nahezu einer Verdopplung in einem Jahr entspricht. Am höchsten ist die Nutzung laut derselben Erhebung im Bereich Information und Kommunikation mit 61 Prozent. Unter den KI-nutzenden Unternehmen setzen 65 Prozent KI zur Texterkennung und -verarbeitung und 41 Prozent zur Sprachgenerierung ein. Die Zielgruppe im DACH-B2B arbeitet also zunehmend selbst mit Sprachmodellen, was die Bedeutung KI-lesbarer Inhalte erhöht. Im deutschsprachigen Raum ist zudem ein vergleichsweise starkes Gewicht von Perplexity zu beobachten, ein System, das laut Fetch-Test gerade nicht auf rohes JSON-LD zugreift, sondern auf sichtbaren Inhalt.

Daraus folgt die zentrale Empfehlung für B2B-Anbieter: Bauen Sie zuerst belegbare, klar strukturierte Inhalte mit Statistiken, Quellen und vorangestellten Kernaussagen. Annotieren Sie diese dann konsistent mit JSON-LD im head, mit Schwerpunkt auf Organization, Person/Author und sameAs-Verknüpfung, damit Ihre Entität im Graph eindeutig verankert ist. Validieren Sie das Markup mit dem Rich Results Test, halten Sie es aktuell und messen Sie KI-Referral-Traffic getrennt in GA4. Schema ist damit kein Wachstumsversprechen für KI-Zitierungen, sondern solide, langfristige Infrastruktur für das Google- und Microsoft-Ökosystem und die Vorbereitung auf ein agentisches Web, in dem maschinenlesbare Daten zur Geschäftsgrundlage werden.