JSON-LD Schema-Markup: Der Schlüssel zur AI-Sichtbarkeit im DACH-Raum
JSON-LD Schema-Markup macht Unternehmensdaten maschinenlesbar und steigert die AI-Sichtbarkeit. Sechs essenzielle Schema-Typen für den DACH-Raum mit Code-Beispielen.
Was ist JSON-LD Schema-Markup?
JSON-LD (JavaScript Object Notation for Linked Data) ist ein maschinenlesbares Datenformat, das strukturierte Informationen über Unternehmen, Produkte, Personen und Inhalte in den Quellcode einer Website einbettet. AI-Antwortsysteme wie Google AI Overviews, ChatGPT und Perplexity nutzen JSON-LD Schema-Markup, um Entitäten eindeutig zu identifizieren und deren Eigenschaften korrekt in generierten Antworten wiederzugeben.
Im GEO-Audit bildet Schema-Markup die zweitwichtigste Kategorie mit einer Gewichtung von 15 %. Der Grund: Ohne maschinenlesbare Entitätsdaten können AI-Systeme ein Unternehmen nicht zuverlässig von anderen Entitäten gleichen Namens unterscheiden. Schema-Markup transformiert unstrukturierte Webinhalte in eindeutige, verifizierbare Fakten.
Warum ist Schema-Markup für AI-Engines entscheidend?
AI-Engines arbeiten mit Wissensgraphen, die Entitäten und deren Beziehungen abbilden. JSON-LD Schema-Markup liefert die strukturierten Daten, die AI-Systeme direkt in ihre Wissensgraphen integrieren können, ohne die Informationen aus Fließtext extrahieren zu müssen.
Drei Faktoren machen Schema-Markup unverzichtbar für die AI-Sichtbarkeit. Erstens: Entitätseindeutigkeit. Ein Unternehmen mit dem Namen "Weber" könnte ein Grillhersteller, ein Rechtsanwalt oder ein Restaurant sein. Schema-Markup mit Typ-Deklaration (z. B. @type: "LegalService") und vollständigen NAP-Daten löst diese Ambiguität. Zweitens: Faktenverifizierung. AI-Systeme nutzen Schema-Daten als Ground Truth für die Überprüfung von Informationen aus anderen Quellen. Drittens: Plattformverknüpfung. Der sameAs-Parameter verknüpft die Website mit Drittplattformen und signalisiert AI-Engines, dass dieselbe Entität auf mehreren vertrauenswürdigen Plattformen existiert.
Die 6 essenziellen Schema-Typen für DACH-Unternehmen
Für Unternehmen im DACH-Raum sind 6 Schema-Typen besonders relevant. Die Kombination dieser Typen deckt die wesentlichen Informationsbedürfnisse von AI-Systemen ab.
1. Organization
Organization beschreibt das Unternehmen als übergeordnete Entität. Der Typ enthält offizielle Firmenbezeichnung, Logo, Kontaktdaten, Gründungsjahr und Verknüpfungen zu Drittplattformen. Organization bildet die Basis-Entität, auf die alle anderen Schema-Typen referenzieren.
2. LocalBusiness
LocalBusiness erweitert Organization um standortspezifische Informationen: Adresse, Öffnungszeiten, Einzugsgebiet, Geo-Koordinaten und Preisniveau. Für Unternehmen mit physischem Standort im DACH-Raum ist LocalBusiness der wichtigste Schema-Typ, da lokale Suchanfragen in AI-Engines zunehmen.
3. FAQPage
FAQPage markiert Frage-Antwort-Paare als strukturierte Daten. AI-Systeme extrahieren FAQ-Inhalte besonders häufig, weil das Frage-Antwort-Format direkt dem Muster von Nutzeranfragen an AI-Engines entspricht. Empfohlen: 3-5 Fragen pro Seite.
4. Article
Article beschreibt redaktionelle Inhalte mit Autor, Veröffentlichungsdatum, Änderungsdatum und Themenbereich. Die Autorenattribution durch den author-Parameter stärkt die E-E-A-T-Signale (Experience, Expertise, Authoritativeness, Trustworthiness) und erhöht die Wahrscheinlichkeit, dass AI-Systeme den Artikel als vertrauenswürdige Quelle einstufen.
5. WebSite
WebSite beschreibt die Website als Ganzes und enthält den Namen, die URL und optional eine SearchAction, die AI-Systemen die interne Suchfunktion der Website signalisiert.
6. BreadcrumbList
BreadcrumbList bildet die Navigationsstruktur der Website als strukturierte Daten ab. AI-Systeme nutzen BreadcrumbList, um die thematische Einordnung und Hierarchie von Unterseiten zu verstehen, was die semantische Zuordnung von Inhalten verbessert.
Das @graph-Pattern: Mehrere Schema-Typen kombinieren
Das @graph-Pattern ermöglicht die Kombination mehrerer Schema-Typen in einem einzigen JSON-LD-Block. Statt für jeden Schema-Typ ein separates <script type="application/ld+json">-Tag einzufügen, werden alle Typen in einem Array unter dem @graph-Schlüssel zusammengefasst.
{
"@context": "https://schema.org",
"@graph": [
{
"@type": "LocalBusiness",
"@id": "https://beispiel.de/#organization",
"name": "Beispiel GmbH",
"url": "https://beispiel.de",
"telephone": "+49 30 123456",
"email": "[email protected]",
"address": {
"@type": "PostalAddress",
"streetAddress": "Musterstraße 1",
"addressLocality": "Berlin",
"postalCode": "10115",
"addressCountry": "DE"
},
"sameAs": [
"https://www.xing.com/pages/beispiel-gmbh",
"https://www.kununu.com/de/beispiel-gmbh",
"https://www.provenexpert.com/beispiel-gmbh",
"https://www.gelbeseiten.de/beispiel-gmbh",
"https://www.wlw.de/beispiel-gmbh"
]
},
{
"@type": "FAQPage",
"mainEntity": [
{
"@type": "Question",
"name": "Was kostet die Leistung?",
"acceptedAnswer": {
"@type": "Answer",
"text": "Die Leistung kostet ab 1.500 EUR."
}
}
]
}
]
}
Das @graph-Pattern bietet drei Vorteile: weniger Script-Tags im Quellcode, eindeutige @id-Referenzen zwischen Entitäten und eine klarere Struktur für AI-Crawler.
sameAs: DACH-Plattformen verknüpfen
Der sameAs-Parameter ist für DACH-Unternehmen besonders wirkungsvoll, weil regionale Plattformen zusätzliche Autoritätssignale an AI-Systeme senden. Im deutschsprachigen Raum sollten folgende Plattformen über sameAs verknüpft werden.
Xing (xing.com/pages/): Deutschlands größtes Business-Netzwerk mit 22 Millionen Nutzern im DACH-Raum. Ein verifiziertes Xing-Profil stärkt die Entitätsautorität.
kununu (kununu.com): Die führende Arbeitgeber-Bewertungsplattform im DACH-Raum. AI-Systeme nutzen kununu-Daten für Arbeitgeber-bezogene Anfragen.
ProvenExpert (provenexpert.com): Bewertungsplattform für Dienstleister. Aggregierte Bewertungen liefern AI-Systemen Vertrauenssignale.
Gelbe Seiten (gelbeseiten.de): Das traditionsreiche Branchenverzeichnis hat hohe Domain Authority und liefert verifizierte Firmendaten.
WLW (wlw.de): "Wer liefert was" ist das führende B2B-Verzeichnis im DACH-Raum mit Fokus auf Industrie und Handwerk.
11880.com: Telefonauskunft und Branchenverzeichnis mit geprüften Einträgen.
Speakable-Markup: Für Sprachassistenten optimieren
Speakable ist eine Schema.org-Erweiterung, die Abschnitte einer Website als besonders geeignet für die Sprachausgabe durch AI-Assistenten kennzeichnet. Speakable-Markup signalisiert AI-Engines, welche Textpassagen als gesprochene Antwort verwendet werden können.
Die Implementierung erfolgt durch CSS-Selektoren, die auf die relevanten Abschnitte einer Seite verweisen. Empfohlen wird die Markierung von 1-3 kurzen, eigenständigen Passagen pro Seite, die ohne visuellen Kontext verständlich sind.
Speakable-Markup ist derzeit besonders relevant für FAQ-Antworten, Definitionen und Kurzbeschreibungen von Leistungen. Die Bedeutung wird mit der zunehmenden Verbreitung von Sprachassistenten und Voice-Search im DACH-Raum weiter steigen.
Implementierung: Schritt für Schritt
Die Implementierung von JSON-LD Schema-Markup folgt einem systematischen Prozess in 5 Schritten.
- Entitätsdaten erfassen: Alle offiziellen Unternehmensdaten zusammentragen (Name, Rechtsform, Adresse, Kontaktdaten, Gründungsjahr, Geschäftsführung)
- Schema-Typen auswählen: Relevante Typen identifizieren (mindestens Organization oder LocalBusiness + FAQPage)
- sameAs-URLs sammeln: Alle Profile auf DACH-Plattformen verlinken (Xing, kununu, ProvenExpert, Gelbe Seiten, WLW)
- @graph-Pattern implementieren: Alle Schema-Typen in einem JSON-LD-Block zusammenfassen
- Validieren: Google Rich Results Test und Schema Markup Validator nutzen, um Fehler zu identifizieren
FAQ
Wo wird JSON-LD im HTML-Code platziert?
JSON-LD Schema-Markup wird innerhalb eines <script type="application/ld+json">-Tags im <head>-Bereich der HTML-Seite platziert. Bei Next.js und anderen Server-Side-Rendering-Frameworks kann JSON-LD auch im Layout-Component eingebettet werden, sodass Organization-Schema auf jeder Seite vorhanden ist. Pro Seite können mehrere JSON-LD-Blöcke existieren, empfohlen wird jedoch die Zusammenfassung im @graph-Pattern.
Welche Schema-Typen sind am wichtigsten für lokale DACH-Unternehmen?
Für lokale DACH-Unternehmen sind LocalBusiness und FAQPage die wichtigsten Schema-Typen. LocalBusiness liefert standortspezifische Daten (Adresse, Öffnungszeiten, Geo-Koordinaten), die AI-Systeme für lokale Suchanfragen benötigen. FAQPage liefert Frage-Antwort-Paare, die AI-Engines besonders häufig als Quellenpassagen extrahieren. Ergänzend sollten sameAs-Links zu DACH-Plattformen (Xing, kununu, ProvenExpert, Gelbe Seiten) gesetzt werden.
Reicht es, Schema-Markup nur auf der Startseite einzufügen?
Organization oder LocalBusiness Schema sollte auf jeder Seite der Website vorhanden sein, typischerweise über das Root-Layout. FAQPage-Schema wird nur auf Seiten eingefügt, die tatsächlich FAQ-Inhalte enthalten. Article-Schema gehört auf Blog-Beiträge und redaktionelle Inhalte. BreadcrumbList-Schema wird auf allen Unterseiten ergänzt, um die Navigationsstruktur abzubilden.