Structured Data als AI-Verständnisschicht: Bestätigt und messbar

Strukturierte Daten haben 2025 und 2026 eine neue Rolle bekommen. Lange galten sie vor allem als Werkzeug für Rich Results, also für Sternebewertungen, FAQ-Aufklapper oder Rezept-Karten in der Google-Suche. Inzwischen bestätigen Microsoft und Google offiziell, dass dasselbe Markup auch ihren generativen Systemen hilft, Inhalte zu verstehen. Dieser Artikel ordnet ein, was strukturierte Daten technisch sind, warum sie zur Verständnisschicht für KI-Systeme geworden sind, was davon belegt ist und was nicht, und wie B2B-Unternehmen im DACH-Raum sie in einer modernen Next.js-Architektur sauber und messbar ausspielen. Der Fokus liegt auf belastbaren Aussagen statt auf Spekulation.

Warum strukturierte Daten als AI-Verständnisschicht relevant sind

Strukturierte Daten sind maschinenlesbare Zusatzinformationen, die einer Website mitgeben, was ihre Inhalte bedeuten. Statt eine Telefonnummer nur als Text darzustellen, sagt das Markup einer Maschine explizit: Das ist eine Telefonnummer, das ist ein Produktpreis, das ist eine Organisation mit dieser Adresse. Diese Bedeutungsschicht war immer schon nützlich für Suchmaschinen. Neu ist, dass generative KI-Systeme dieselbe Schicht nutzen, um Entitäten und Fakten zuverlässiger zu extrahieren.

Das ist relevant, weil sich das Suchverhalten verschiebt. In Deutschland nutzen laut einer repräsentativen Bitkom-Befragung 67 Prozent der Menschen ab 16 Jahren zumindest gelegentlich generative KI, gegenüber 40 Prozent im Sommer 2024 (Daten für Deutschland, Bitkom 2025). Bei den genutzten Diensten führen ChatGPT mit 43 Prozent, Microsoft Copilot mit 39 Prozent und Google Gemini mit 28 Prozent. International meldete OpenAI für ChatGPT 800 Millionen wöchentlich aktive Nutzer im Oktober 2025 (internationale Angabe, OpenAI). In Österreich ist die digitale Reichweite hoch genug, dass dieser Wandel voll durchschlägt: 8,69 Millionen Internetnutzer bei 95,3 Prozent Penetration zu Jahresbeginn 2025 (Daten für Österreich, DataReportal). Wer in diesen Systemen als Quelle erscheinen will, muss seine Inhalte so bereitstellen, dass Maschinen sie sicher interpretieren können. Genau das leisten strukturierte Daten.

Wichtig ist eine ehrliche Einordnung von Anfang an. Dass strukturierte Daten generativen Systemen helfen, ist für Microsoft offiziell bestätigt und für Google differenziert bestätigt. Ein direkter, kausaler Effekt auf Sichtbarkeit in ChatGPT oder Perplexity ist dagegen nicht durch unabhängige, begutachtete Studien belegt. Dieser Artikel trennt beide Ebenen konsequent.

Was strukturierte Daten technisch sind und warum JSON-LD dominiert

Strukturierte Daten basieren auf einem gemeinsamen Vokabular und einem Ausgabeformat. Das Vokabular ist in den meisten Fällen Schema.org, eine gemeinschaftlich getragene Sammlung von Typen und Eigenschaften. Das Format ist heute überwiegend JSON-LD.

• Schema.org-Vokabular: Schema.org definiert Typen wie Organization, Product oder Article und deren Eigenschaften wie name, price oder author. Das Vokabular legt fest, welche Begriffe es gibt und wie sie zusammenhängen. Es ist damit das Wörterbuch, auf das sich Suchmaschinen und zunehmend auch KI-Systeme stützen.
• JSON-LD als Syntax: JSON-LD (JavaScript Object Notation for Linked Data) ist ein Skript-Block im HTML, der das Markup als JSON-Objekt ausliefert. Die Schlüsselfelder sind @context, das auf das Vokabular verweist (in der Regel auf schema.org), und @type, das den Entitätstyp festlegt. Der Vorteil: Das Markup steht gebündelt in einem Block und ist vom sichtbaren HTML getrennt, was Pflege und Validierung erleichtert.
• Microdata und RDFa: Beide älteren Formate verweben das Markup direkt in die HTML-Tags des sichtbaren Inhalts. Das ist fehleranfälliger und schwerer zu warten, weshalb sie an Bedeutung verlieren.

JSON-LD ist nicht nur technisch komfortabler, es ist auch das von Google empfohlene und faktisch dominierende Format. Laut dem Web Almanac 2024 des HTTP Archive war JSON-LD auf 41 Prozent der Seiten vorhanden, gegenüber 34 Prozent im Jahr 2022, und ist damit das am schnellsten wachsende der drei Formate (internationale Crawl-Daten, HTTP Archive). Innerhalb von JSON-LD sind manche Typen weit verbreitet, andere selten. Im selben Datensatz führt das WebSite-Schema mit 12,73 Prozent der mobilen Seiten, gefolgt von Organization mit 7,16 Prozent, BreadcrumbList mit 5,66 Prozent und LocalBusiness mit 3,97 Prozent, während das Product-Schema nur auf 0,77 Prozent der Seiten vorkommt (internationale Crawl-Daten, mobil, HTTP Archive 2024). Für B2B-Sites bedeutet das eine klare Lehre: Die Basistypen sind Standard, aber spezifischeres Markup ist selten genug, um einen Vorsprung zu schaffen.

Die AI-Verständnisschicht: Was offiziell bestätigt ist und was nicht

Der Kern des Themas ist die Frage, ob und wie KI-Systeme strukturierte Daten nutzen. Hier ist Präzision entscheidend, weil zwischen offizieller Bestätigung, differenzierter Aussage und unbelegter Vermutung unterschieden werden muss.

Microsoft ist die eindeutigste Quelle. Auf der SMX München im März 2025 bestätigte Fabrice Canel, Principal Product Manager bei Microsoft Bing, dass Schema-Markup den LLMs von Microsoft hilft, Inhalte zu verstehen (Search Engine Land, zitiert Fabrice Canel, Microsoft Bing). Microsoft ergänzte, dass generative Systeme besonders frische Inhalte schätzen, unter anderem als Abgleich gegen ihre Trainingsdaten. Diese Aussage betrifft direkt Copilot und den Bing-Index, der wiederum die Grundlage für ChatGPT Search bildet.

Google ist differenzierter. Das Google-Search-Team erklärte im April 2025, dass strukturierte Daten einen Vorteil in den Suchergebnissen verschaffen (Search Engine Land). Das ist eine Bestätigung für die Suche, aber keine ausdrückliche Aussage darüber, dass Markup die generativen Antworten direkt speist. Für rein generative Systeme wie ChatGPT oder Perplexity gibt es bislang keine vergleichbar klare offizielle Bestätigung, dass Schema-Markup als eigenes Signal verarbeitet wird.

So ergibt sich eine dreistufige Evidenzlage:

• Offiziell bestätigt: Microsoft Bing nutzt Schema für seine LLMs (Copilot), Stand SMX München, März 2025.
• Differenziert bestätigt: Google sagt, strukturierte Daten verschaffen einen Vorteil in der Suche (April 2025), ohne explizite Aussage zu rein generativen Antworten.
• Unbestätigt: Ein eigenständiger, kausaler Schema-Effekt auf ChatGPT oder Perplexity ist offiziell nicht bestätigt und nicht durch begutachtete Studien belegt.

Diese Trennung ist die wichtigste Botschaft des Artikels. Strukturierte Daten sind eine begründete, von zwei grossen Anbietern teils offiziell gestützte Massnahme, kein garantierter Hebel mit nachgewiesener kausaler Wirkung in jeder KI-Oberfläche.

NLWeb und das agentische Web: Schema.org wird zur Agenten-Schnittstelle

Eine konkrete Entwicklung zeigt, wie eng strukturierte Daten und KI zusammenwachsen. Microsoft stellte am 19. Mai 2025 das Projekt NLWeb vor. Es kombiniert vorhandenes Markup mit Sprachmodellen zu einer natürlichsprachlichen Schnittstelle. Laut Microsoft nutzt NLWeb halbstrukturierte Formate wie Schema.org und RSS, die Websites ohnehin veröffentlichen, und kombiniert sie mit LLM-gestützten Werkzeugen zu natürlichsprachlichen Schnittstellen für Menschen und KI-Agenten (Microsoft Source, Mai 2025).

Der entscheidende Punkt ist die Brücke zum agentischen Web. Laut Microsoft ist jede NLWeb-Instanz zugleich ein Model-Context-Protocol-Server (MCP), wodurch Websites ihre Inhalte für Agenten und andere Teilnehmer im MCP-Ökosystem auffindbar und zugänglich machen können (Microsoft Source, Mai 2025). MCP ist der Standard, über den KI-Agenten mit externen Datenquellen und Werkzeugen sprechen. Entwickelt wurde NLWeb von R.V. Guha, der zu Microsoft kam und als Schöpfer der weit verbreiteten Webstandards RSS, RDF und Schema.org gilt. Dass derselbe Mensch hinter Schema.org und NLWeb steht, unterstreicht die Linie: Das Vokabular, das Websites seit Jahren maschinenlesbar macht, wird zur Datenbasis für Agenten.

Für die Datenmodellierung von Websites folgt daraus eine strategische Verschiebung. Wer seine Inhalte sauber und vollständig mit Schema.org annotiert, modelliert nicht mehr nur für Suchmaschinen, sondern legt die Grundlage dafür, dass KI-Agenten die Inhalte strukturiert abfragen können. Markup wird damit von einem reinen SEO-Detail zu einem Teil der Datenarchitektur.

ChatGPT Shopping und agentischer Commerce: Feed-Spezifikation trifft Schema

Ein weiterer Bereich, in dem strukturierte Daten an Bedeutung gewinnen, ist der agentische Commerce. Mit dem Einstieg von ChatGPT in produktbezogene Anfragen entstehen neue Anforderungen an Produktdaten. Hier ist eine begriffliche Trennung wichtig, weil zwei verschiedene Mechanismen im Spiel sind.

• Schema.org/Product auf der Seite: Das ist das klassische, im HTML eingebettete Produkt-Markup. Es beschreibt Name, Preis, Verfügbarkeit und weitere Eigenschaften maschinenlesbar direkt auf der Produktseite. Es bleibt die Basis für organische Sichtbarkeit und für Crawler, die die Seite besuchen.
• Produkt-Feed-Spezifikation: Daneben gibt es strukturierte Produkt-Feeds, über die Händler ihre Daten direkt und gebündelt bereitstellen, statt sie nur auf einzelnen Seiten zu hinterlegen. Solche Feeds nutzen eigene Pflicht- und Empfehlungsfelder und ermöglichen häufige Aktualisierungen, etwa von Preisen und Lagerbeständen.

Beide Mechanismen ergänzen sich. Das On-Page-Schema sorgt für Konsistenz und Crawlbarkeit, der Feed für Aktualität und gebündelte Datenübergabe. Für B2B-Anbieter mit Produktkatalog heisst das: Produktdaten sollten an beiden Stellen konsistent und vollständig sein. Konkrete Pflichtfelder und Aktualisierungsfrequenzen hängen von der jeweiligen Spezifikation des Anbieters ab und ändern sich schnell, weshalb sie immer gegen die offizielle Dokumentation zu prüfen sind. Allgemeingültige Zahlen dazu existieren in belastbarer, zitierbarer Form derzeit nicht und sollten nicht aus zweiter Hand übernommen werden.

Welche Schema-Typen relevant sind und welche Google zurückgezogen hat

Nicht jeder Schema-Typ ist gleich wertvoll, und das Feld ist in Bewegung. Google hat in den vergangenen Jahren mehrere Rich-Result-Typen eingeschränkt oder eingestellt, am sichtbarsten die FAQ-Rich-Results, die nur noch für wenige autoritative Quellen ausgespielt werden. Wichtig ist die Unterscheidung: Dass ein Rich Result zurückgezogen wird, bedeutet nicht zwingend, dass das zugrunde liegende Markup für das maschinelle Verständnis wertlos wird. Es verliert nur seine garantierte visuelle Darstellung in der klassischen Suche.

Für die KI-Sichtbarkeit besonders relevant sind die Typen, die Entitäten und Inhaltsstruktur klar beschreiben:

• Organization: Beschreibt das Unternehmen als Entität mit Name, Logo, Adresse und Verknüpfungen. Es ist das Fundament für die Erkennung als eigenständige Entität und gehört auf jede Site.
• Article: Kennzeichnet redaktionelle Inhalte mit Autor, Datum und Überschrift. Es hilft Systemen, Inhalt, Quelle und Aktualität zuzuordnen.
• Product: Beschreibt Produkte mit Preis, Verfügbarkeit und Eigenschaften. Es ist die Basis für produktbezogene Antworten und Commerce-Szenarien.
• BreadcrumbList: Bildet die Navigationshierarchie ab und hilft, eine Seite im Gesamtkontext der Website einzuordnen.
• FAQPage und HowTo: Strukturieren Fragen und Schritt-für-Schritt-Anleitungen. Auch wenn ihre Rich Results in der klassischen Suche eingeschränkt wurden, bleibt die strukturierte Form ein klares Extraktionssignal für Inhalte, die direkt eine Frage beantworten.

Die Lehre ist, Schema-Typen nach maschinellem Verständnis auszuwählen, nicht allein nach der aktuellen Rich-Result-Darstellung. Letztere kann Google jederzeit ändern, der Wert eines korrekt beschriebenen Inhalts bleibt.

Implementierung in der Next.js-SEO-Architektur

Für moderne, mit Next.js gebaute B2B-Sites lassen sich strukturierte Daten sauber und wartbar ausspielen. Entscheidend ist, dass das Markup serverseitig gerendert wird und exakt zum sichtbaren Inhalt passt.

• JSON-LD serverseitig rendern: Das Markup gehört in das initiale, serverseitig gerenderte HTML, nicht erst in clientseitig nachgeladenes JavaScript. So ist es für alle Crawler zuverlässig sichtbar, auch für solche, die kein oder nur eingeschränktes JavaScript ausführen. In Next.js lässt sich JSON-LD direkt im Seiten- oder Layout-Rendering ausgeben.
• Schema dynamisch pro Route generieren: Statt statischer Blöcke sollte das Markup aus denselben Datenquellen erzeugt werden wie der sichtbare Inhalt, also etwa aus dem CMS oder der Produktdatenbank. So bleiben Markup und Inhalt automatisch synchron, und jede Route bekommt das passende Schema.
• Konsistenz von Markup und sichtbarem Content sichern: Jede im Markup ausgezeichnete Angabe muss auch sichtbar auf der Seite stehen. Markup, das Inhalte behauptet, die der Nutzer nicht sieht, verstößt gegen die Spam-Richtlinien der Suchmaschinen.
• Validierung im CI verankern: Schema-Prüfungen gehören in die Continuous-Integration-Pipeline, damit fehlerhaftes oder unvollständiges Markup vor dem Deployment auffällt und nicht erst im Live-Betrieb. So bleibt die Qualität über viele Routen und über die Zeit stabil.

Diese Architektur stellt sicher, dass strukturierte Daten nicht als nachträgliches Add-on entstehen, sondern als integraler, getesteter Bestandteil jeder Seite.

Daten-Bereitstellung und AI-Crawler-Management

Strukturierte Daten entfalten nur Wirkung, wenn die zuständigen Systeme die Seiten auch crawlen und aktuell halten. Hier kommen Crawl-Steuerung und schnelle Aktualisierung ins Spiel.

• robots.txt bewusst konfigurieren: Über die robots.txt steuerst du, welche Crawler Zugriff erhalten, einschliesslich der KI-spezifischen Bots. Wer in KI-Systemen sichtbar sein will, muss die entsprechenden Crawler zulassen, statt sie pauschal zu blockieren. Das ist eine strategische Entscheidung zwischen Reichweite und Kontrolle.
• IndexNow für schnelle Updates: Über IndexNow lassen sich teilnehmende Suchmaschinen, darunter Bing, aktiv über Änderungen informieren, statt auf den nächsten Crawl zu warten. Da der Bing-Index die Grundlage für ChatGPT Search bildet, ist eine schnelle Bing-Aktualisierung doppelt relevant.
• Bing-Index und ChatGPT Search zusammendenken: Wer Inhalte für Microsofts Systeme optimiert, adressiert damit zugleich ChatGPT Search, das auf dem Bing-Index aufsetzt. Das macht den oft unterschätzten Bing-Index zu einem zentralen Kanal für KI-Sichtbarkeit.

Dabei ist die Ökonomie des KI-Crawlings zu berücksichtigen. Laut einer Analyse von Cloudflare lag das Verhältnis von Crawls zu zurückverwiesenen Besuchern im Juli 2025 bei Anthropic bei 38.065,7 zu 1, bei OpenAI bei 1.091,4 zu 1 und bei Google bei 5,4 zu 1 (internationale Daten, Cloudflare). Dieselbe Analyse zeigt, dass rund 80 Prozent des KI-Crawlings dem Training dienen, gegenüber 18 Prozent für Suche und 2 Prozent für Nutzeraktionen (internationale Daten, Cloudflare). Diese Asymmetrie zwischen intensivem Crawling und geringem Rückverweis ist ein Grund, Crawl-Effizienz und Zugriffsrechte bewusst zu steuern, statt jeden Bot unbegrenzt arbeiten zu lassen.

DSGVO und Consent beim Ausspielen strukturierter Daten

Im DACH-Raum gehört der Datenschutz zwingend in die Betrachtung. Strukturierte Daten sind grundsätzlich unkritisch, solange sie nur ohnehin öffentliche, sachliche Informationen maschinenlesbar machen, etwa Firmenname, Adresse, Produktdaten oder Artikelmetadaten. Diese Angaben werden bewusst veröffentlicht und enthalten in der Regel keine schutzbedürftigen personenbezogenen Daten Dritter.

Vorsicht ist bei personenbezogenen Angaben geboten. Wird etwa eine natürliche Person mit Namen, Foto oder Kontaktdaten ausgezeichnet, gelten die üblichen Anforderungen der DSGVO an Rechtsgrundlage und Zweckbindung. Markup verbreitet solche Daten zudem maschinenlesbar und damit leichter weiterverwertbar, was bei der Abwägung zu berücksichtigen ist.

Wichtig ist die Trennung zwischen Markup und Consent-Mechanik. JSON-LD selbst setzt keine Cookies und ist kein Tracking. Es gehört deshalb nicht hinter eine Consent-Schranke und darf unabhängig von der Einwilligung ausgeliefert werden, da es ein integraler Bestandteil des Inhalts ist. Beim Umgang mit KI-Crawlern bleibt die Steuerung eine Frage der Zugriffsrechte über robots.txt und nicht des nutzerseitigen Consents. Personenbezogene Felder sollten dennoch sparsam und nur mit klarer Rechtsgrundlage ausgezeichnet werden.

Häufige Fehler und Qualitätssicherung

Die meisten Probleme mit strukturierten Daten entstehen nicht durch fehlendes Markup, sondern durch fehlerhaftes oder unvollständiges. Diese Fehler treten besonders häufig auf.

• Fehlende Pflicht-Eigenschaften: Wenn erforderliche Felder eines Typs fehlen, kann das Markup seine Wirkung verlieren und ein möglicher Rich Result entfällt. Prüfe pro Typ, welche Eigenschaften erforderlich und welche empfohlen sind, und fülle diese vollständig.
• Markup ohne sichtbares Pendant: Inhalte auszuzeichnen, die auf der Seite nicht sichtbar sind, verstößt gegen die Spam-Richtlinien der Suchmaschinen und kann zu Abwertung führen. Markup und sichtbarer Inhalt müssen übereinstimmen.
• Veraltete oder zurückgezogene Typen pflegen: Markup für Rich Results zu erstellen, die Google nicht mehr ausspielt, bindet Aufwand ohne Gegenwert in der klassischen Suche. Prüfe regelmäßig, welche Typen noch unterstützt werden, und richte die Prioritäten danach aus.
• Inkonsistenz zwischen Quellen: Wenn On-Page-Markup, Feed und sichtbarer Inhalt unterschiedliche Angaben machen, etwa abweichende Preise, entstehen Vertrauensprobleme. Alle Quellen müssen aus derselben Datenbasis gespeist werden.
• Markup einmal setzen und vergessen: Schema.org, die Anbieter-Anforderungen und die unterstützten Rich Results ändern sich. Ohne laufende Wartung veraltet das Markup und verliert an Wirkung. Eine regelmäßige Prüfung gehört zum Betrieb.

Die wirksamste Absicherung ist eine automatisierte, wiederkehrende Validierung, ergänzt um stichprobenartige manuelle Prüfungen der wichtigsten Seitentypen.

Messbarkeit und GEO-Evidenz: Wie man die Wirkung überprüft

Die zentrale Frage lautet, wie sich die Wirkung strukturierter Daten überhaupt nachweisen lässt. Hier hilft es, zwischen technischer Validierung, klassischer Suchmessung und KI-Sichtbarkeit zu trennen.

• Technische Validierung: Mit dem Rich-Results-Test und vergleichbaren Validatoren lässt sich prüfen, ob das Markup syntaktisch korrekt ist, alle Pflichtfelder enthält und für einen Rich Result in Frage kommt. Das ist die Grundvoraussetzung, sagt aber noch nichts über die tatsächliche Wirkung.
• Klassische Suchmessung: Die Google Search Console zeigt, welche strukturierten Datentypen erkannt wurden, ob Fehler vorliegen und wie sich Impressionen und Klicks der betroffenen Seiten entwickeln. Das ist die belastbarste Datenquelle für die Wirkung in der klassischen Suche.
• KI-Citation-Tracking: Für die Sichtbarkeit in KI-Antworten lassen sich Erwähnungen und Zitate in Systemen wie ChatGPT oder Perplexity beobachten. Diese Messung ist noch jung, die Methoden sind weniger standardisiert, und ein sauberer kausaler Bezug zum Schema-Markup ist schwer herzustellen.

Für die inhaltliche Optimierung auf KI-Sichtbarkeit gibt es erste wissenschaftliche Hinweise, allerdings zur Textgestaltung, nicht zum Schema-Markup. Eine Forschungsgruppe rund um die Princeton University stellte auf der KDD-Konferenz 2024 die Methode der Generative Engine Optimization vor und zeigte, dass GEO die Sichtbarkeit in generativen Antworten um bis zu 40 Prozent steigern kann (internationale Studie, Princeton et al., KDD 2024). Am wirksamsten waren das Hinzufügen von Quellen, Zitaten und Statistiken, die die Sichtbarkeit einer Quelle um über 40 Prozent erhöhen können. In einer realen Auswertung auf Perplexity.ai erreichten starke Methoden Verbesserungen von bis zu 37 Prozent auf einer der beiden Metriken, gemessen über einen Benchmark aus 10.000 Anfragen und neun Optimierungsmethoden. Diese Befunde betreffen die Art, wie Inhalte geschrieben sind, also belegte, mit Quellen und Zahlen unterfütterte Texte. Sie sind ein starkes Argument für faktendichte Inhalte, aber kein Nachweis für eine kausale Wirkung von Schema-Markup. Genau diese Lücke ist der ehrliche Kontrapunkt: Zur direkten Wirkung von strukturierten Daten auf die KI-Sichtbarkeit existieren bislang keine begutachteten Studien.

Weiterführendes und Fazit

Strukturierte Daten haben sich von einem reinen Rich-Results-Werkzeug zu einer Verständnisschicht entwickelt, die generativen Systemen hilft, Inhalte und Entitäten zu erfassen. Microsoft hat die Nutzung für seine LLMs offiziell bestätigt, Google hat den Vorteil strukturierter Daten in der Suche differenziert bestätigt, und NLWeb zeigt, wie Schema.org zur Datenbasis für KI-Agenten wird. Zugleich gilt die ehrliche Einschränkung, dass eine direkte, kausale Wirkung auf rein generative Systeme wie ChatGPT oder Perplexity nicht durch begutachtete Studien belegt ist.

Für B2B-Unternehmen im DACH-Raum ergibt sich daraus eine pragmatische Linie. Strukturierte Daten sind eine begründete, technisch beherrschbare Massnahme mit klarem Nutzen in der Suche und plausiblem Nutzen für KI-Systeme, ohne überzogene Versprechen. Sinnvolle nächste Schritte sind ein Audit der bestehenden Schema-Typen mit dem Rich-Results-Test, das serverseitige Rendern von vollständigem, konsistentem JSON-LD in der Next.js-Architektur, die Verankerung der Validierung im CI sowie ein bewusstes AI-Crawler-Management über robots.txt und IndexNow. So wird strukturierte Daten zu einem belastbaren, messbaren Baustein der technischen Sichtbarkeit, statt zu einem Hoffnungswert.