NAP-Konsistenz und Entity Resolution: So erkennen AI-Systeme Ihr Unternehmen

Was ist NAP-Konsistenz und warum ist sie für AI-Systeme entscheidend?

NAP-Konsistenz bezeichnet die identische Darstellung von Name, Adresse und Telefonnummer (NAP) eines Unternehmens über alle digitalen Plattformen hinweg. NAP-Konsistenz bildet die Grundlage der Entity Resolution in AI-Antwortsystemen wie ChatGPT, Perplexity und Google AI Overviews, weil AI-Systeme anhand dieser drei Datenpunkte entscheiden, ob verschiedene Online-Einträge zur selben Entität gehören.

Im GEO-Audit bildet die Entity-Kategorie 10 % der Gesamtbewertung mit 3 gezielten Prüfungen: Firmenname im Schema, Telefonnummer-Konsistenz und Kontaktdaten-Vollständigkeit. Das GEO-Kompendium formuliert das Prinzip klar: "Datenkonsistenz = Trust". Widersprüche bei Öffnungszeiten, Adressen oder Telefonnummern senken die Confidence von AI-Systemen und führen dazu, dass das Unternehmen in AI-Antworten entweder falsch dargestellt oder vollständig ignoriert wird.

Wie funktioniert Entity Resolution in AI-Antwortsystemen?

Entity Resolution ist der automatisierte Prozess, durch den AI-Systeme verschiedene Online-Erwähnungen einer Firma als dieselbe Entität identifizieren und zu einem einheitlichen Wissensgraph-Eintrag zusammenführen. AI-Antwortsysteme nutzen Entity Resolution, um bei einer Nutzeranfrage korrekte und vollständige Informationen über ein Unternehmen bereitzustellen.

Der Prozess funktioniert in drei Schritten. Erstens: Datensammlung. AI-Crawler extrahieren Firmendaten aus Webseiten, Schema-Markup, Branchenverzeichnissen und Social-Media-Profilen. Zweitens: Abgleich. Das System vergleicht Name, Adresse, Telefonnummer, E-Mail und URL über alle Quellen hinweg. Drittens: Konsolidierung. Übereinstimmende Einträge werden zu einer Entität zusammengeführt; widersprüchliche Daten senken den Vertrauenswert (Confidence Score) der Entität.

Ein Beispiel verdeutlicht das Problem: Wenn ein Unternehmen auf der eigenen Website als "Müller & Partner GmbH" firmiert, auf Gelbe Seiten als "Müller und Partner" und auf Xing als "Müller+Partner GmbH", erkennt das AI-System möglicherweise drei verschiedene Entitäten statt einer. Die Folge: Keiner der drei Einträge erreicht genug Vertrauenspunkte für eine Zitation in AI-Antworten. Laut einer Analyse von Authoritas (2025) werden ohnehin nur 11 % aller Domains sowohl von ChatGPT als auch von Google AI Overviews für dieselbe Suchanfrage zitiert. Inkonsistente NAP-Daten reduzieren diese bereits geringe Chance weiter.

Welche 3 Entity-Checks misst der GEO-Audit?

Der GEO-Audit misst die Entity-Qualität anhand von 3 spezifischen Checks, die zusammen die Kategorie "Entity" mit 10 % Gewichtung bilden. Diese 3 Checks bilden das Minimum, das jedes DACH-Unternehmen für die AI-Sichtbarkeit erfüllen muss.

Check 1: Firmenname in Schema-Markup. Der GEO-Audit prüft, ob ein Organization- oder LocalBusiness-Schema mit korrektem Firmennamen im JSON-LD der Website vorhanden ist. Ohne maschinenlesbaren Firmennamen im Schema-Markup kann kein AI-System die Website einer Entität zuordnen. Score: 100 Punkte bei Vorhandensein, 0 Punkte bei Fehlen.

Check 2: Telefonnummer-Konsistenz. Der Audit vergleicht die Telefonnummer im Schema-Markup mit der sichtbar auf der Website angezeigten Telefonnummer. Stimmen beide überein, erhält der Check 100 Punkte. Weichen die Nummern ab, werden 50 Punkte vergeben. Diese Prüfung deckt eine der häufigsten NAP-Inkonsistenzen auf: unterschiedliche Telefonnummern in Schema und sichtbarem Text.

Check 3: Kontaktdaten-Vollständigkeit. Der Audit bewertet die Vollständigkeit der Kontaktdaten im Schema-Markup auf einer Skala von 0-100: Name (25 Punkte), Telefon (25 Punkte), E-Mail (25 Punkte) und Adresse (25 Punkte). Vollständige Kontaktdaten bilden die "Canonical Facts" für AI-Systeme und sind Voraussetzung für korrekte Entity Resolution.

Weitere Details zu den 8 GEO-Audit-Kategorien und 45 Checks beschreibt der vollständige GEO-Leitfaden.

Wie stelle ich NAP-Konsistenz über alle Plattformen sicher?

NAP-Konsistenz über alle Plattformen sicherzustellen erfordert einen systematischen Abgleich aller digitalen Einträge eines Unternehmens gegen eine zentrale Referenz. Der Prozess beginnt mit der Definition einer "Single Source of Truth" und umfasst die regelmäßige Überprüfung aller relevanten Plattformen.

NAP-Konsistenz-Audit-Tabelle (Beispiel):

Die Tabelle zeigt drei typische Probleme: Abweichende Schreibweise des Firmennamens (und vs. &), unterschiedliche Adressformate (Musterstraße vs. Musterstr.) und fehlende Telefonnummern. Jede Abweichung schwächt die Entity Resolution und reduziert die Wahrscheinlichkeit einer korrekten Zitation in AI-Antworten.

Was sind Canonical Facts und warum braucht jedes Unternehmen eine Single Source of Truth?

Canonical Facts sind die verbindlichen Referenzdaten eines Unternehmens, die als einzige korrekte Version aller Firmendaten gelten und als Grundlage für alle digitalen Einträge dienen. Canonical Facts umfassen den offiziellen Firmennamen (mit Rechtsform), die vollständige Geschäftsadresse, die primäre Telefonnummer, die E-Mail-Adresse, die Website-URL, die Geschäftsführung und die Gründungsdaten.

Die Single Source of Truth für Canonical Facts sollte an drei Stellen gleichzeitig gepflegt werden: im JSON-LD Schema-Markup der eigenen Website, in der llms.txt-Datei unter /llms.txt und in einem internen Referenzdokument. Von diesen drei Quellen ausgehend werden alle Plattformeinträge synchronisiert.

Das GEO-Kompendium empfiehlt: "Canonical Facts-Quelle definieren + synchronisieren." Jede Änderung der Firmendaten (neue Telefonnummer, Umzug, Namensänderung) muss zuerst in der Single Source of Truth aktualisiert und dann auf alle Plattformen übertragen werden. Wie die llms.txt-Datei als Canonical-Facts-Quelle funktioniert, beschreibt der detaillierte Leitfaden zur llms.txt-Erstellung.

Wie verbinde ich Entity-Daten mit Schema-Markup?

Entity-Daten werden über JSON-LD Schema-Markup vom Typ Organization oder LocalBusiness maschinenlesbar in den Quellcode einer Website eingebettet. Das Schema-Markup bildet die technische Brücke zwischen den Canonical Facts eines Unternehmens und den Wissensgraphen der AI-Systeme.

Das wichtigste Element für die Entity Resolution ist der sameAs-Parameter. sameAs verknüpft die Website mit allen Drittplattform-Profilen und signalisiert AI-Engines, dass dieselbe Entität auf mehreren vertrauenswürdigen Plattformen existiert. Im DACH-Raum sollten mindestens 4-6 sameAs-Links auf regionale Plattformen gesetzt werden.

{
  "@context": "https://schema.org",
  "@type": "LocalBusiness",
  "name": "Müller & Partner GmbH",
  "telephone": "+49 30 123456",
  "email": "[email protected]",
  "address": {
    "@type": "PostalAddress",
    "streetAddress": "Musterstr. 1",
    "postalCode": "10115",
    "addressLocality": "Berlin",
    "addressCountry": "DE"
  },
  "sameAs": [
    "https://www.xing.com/pages/mueller-partner-gmbh",
    "https://www.kununu.com/de/mueller-partner-gmbh",
    "https://www.provenexpert.com/mueller-partner-gmbh",
    "https://www.gelbeseiten.de/mueller-partner-gmbh"
  ]
}

Jeder sameAs-Link muss auf ein verifiziertes Profil verweisen, das identische NAP-Daten enthält. Fehlerhafte oder verwaiste sameAs-Links schaden der Entity Resolution. Die vollständige Anleitung zur JSON-LD Schema-Implementierung für DACH-Unternehmen beschreibt alle 6 essenziellen Schema-Typen.

Welche DACH-Verzeichnisse müssen konsistente NAP-Daten enthalten?

DACH-Verzeichnisse sind Branchenplattformen im deutschsprachigen Raum, die von AI-Systemen als Autoritätsquellen für Firmendaten genutzt werden. Konsistente NAP-Daten in diesen Verzeichnissen stärken die Entity Resolution und erhöhen die Wahrscheinlichkeit korrekter Zitationen in AI-Antworten.

Die Priorität liegt auf Tier-1-Verzeichnissen (Google Business Profile, Gelbe Seiten, Xing, kununu), weil diese die höchste Domain Authority besitzen und von AI-Crawlern am häufigsten als Referenzquelle herangezogen werden. Für jedes Verzeichnis gilt: Der Firmeneintrag muss vollständig ausgefüllt sein, die NAP-Daten müssen exakt mit den Canonical Facts übereinstimmen, und Bewertungen sollten aktiv eingeholt und beantwortet werden. Verwaiste oder unvollständige Profile schaden der Entity Resolution mehr als fehlende Profile, weil AI-Systeme widersprüchliche Daten als negatives Signal werten. Weitere Details zur Markensichtbarkeit und Erwähnungen in AI-Suchmaschinen beschreiben, wie Plattformpräsenz die AI-Zitation beeinflusst.

Wie messe ich NAP-Konsistenz systematisch?

NAP-Konsistenz wird systematisch gemessen, indem alle digitalen Einträge eines Unternehmens gegen die Canonical Facts abgeglichen und Abweichungen in einer Audit-Tabelle dokumentiert werden. Der Messprozess umfasst drei Schritte und sollte mindestens quartalsweise durchgeführt werden.

Schritt 1: Plattform-Inventar erstellen. Alle Plattformen auflisten, auf denen das Unternehmen eingetragen ist. Dazu gehören die eigene Website, Google Business Profile, Branchenverzeichnisse, Bewertungsplattformen, Social-Media-Profile und Partnerseiten.

Schritt 2: Datenabgleich durchführen. Für jede Plattform die Felder Name, Adresse, Telefon, E-Mail und URL gegen die Canonical Facts prüfen. Jede Abweichung dokumentieren: falsche Schreibweise, fehlende Felder, veraltete Daten, abweichende Formate.

Schritt 3: Konsistenz-Score berechnen. Der NAP-Konsistenz-Score ergibt sich aus dem Anteil der konsistenten Einträge an der Gesamtzahl der Plattformen. Ein Score von 100 % bedeutet: Alle Plattformen zeigen identische NAP-Daten. Ein Score unter 70 % zeigt akuten Handlungsbedarf.

Mit dem kostenlosen GEO-Audit von GeoRanks können Sie die Entity-Checks Ihrer Website automatisiert durchführen und erhalten konkrete Handlungsempfehlungen für die Optimierung Ihrer NAP-Konsistenz.

Die GEO-Checkliste für den DACH-Raum enthält eine vollständige Prüfliste für alle 8 Audit-Kategorien einschließlich der Entity-Prüfungen.

FAQ

Was passiert, wenn meine NAP-Daten inkonsistent sind?

Inkonsistente NAP-Daten führen dazu, dass AI-Systeme ein Unternehmen nicht als eindeutige Entität erkennen können. Die Folge: Das Unternehmen wird in AI-Antworten entweder mit falschen Daten zitiert, mit einem anderen Unternehmen verwechselt oder vollständig ignoriert. Eine NAP-Bereinigung war in Kundenprojekten regelmäßig Bestandteil des GEO-Foundation-Pakets, weil ohne konsistente Basisdaten alle weiteren GEO-Maßnahmen wirkungslos bleiben.

Welche NAP-Abweichung ist am kritischsten?

Die kritischste NAP-Abweichung ist ein inkonsistenter Firmenname, weil der Name das primäre Identifikationsmerkmal für die Entity Resolution darstellt. Unterschiede in Schreibweise ("und" vs. "&"), Rechtsform ("GmbH" vs. ohne Zusatz) oder Abkürzungen ("Dr." vs. "Doktor") können dazu führen, dass AI-Systeme mehrere separate Entitäten anlegen statt eine einzige, starke Entität aufzubauen.

Wie oft sollte ich die NAP-Konsistenz prüfen?

NAP-Konsistenz sollte mindestens quartalsweise geprüft werden, bei jeder Änderung der Firmendaten sofort. Typische Auslöser für NAP-Inkonsistenzen sind Umzüge, neue Telefonnummern, Firmennamenänderungen und die Erstellung neuer Plattformprofile durch Mitarbeiter oder Agenturen. Eine automatisierte Überwachung über den GEO-Monitoring-Service reduziert den manuellen Aufwand erheblich.

Muss die Telefonnummer überall im selben Format stehen?

Die Telefonnummer sollte idealerweise überall im internationalen Format stehen: +49 30 123456 statt 030-123456 oder (030) 123456. Das internationale Format ist maschinenlesbar und eindeutig. Der GEO-Audit prüft die Übereinstimmung der Telefonnummer zwischen Schema-Markup und sichtbarem Text, wobei Leerzeichen und Bindestriche normalisiert werden.

Was ist der Unterschied zwischen NAP-Konsistenz und Schema-Markup?

NAP-Konsistenz beschreibt die Übereinstimmung der Firmendaten über alle Plattformen hinweg. Schema-Markup (JSON-LD) ist das technische Format, in dem NAP-Daten maschinenlesbar auf der eigenen Website eingebettet werden. Beide Konzepte ergänzen sich: Schema-Markup liefert die maschinenlesbare Basis, NAP-Konsistenz stellt sicher, dass diese Basis mit allen externen Quellen übereinstimmt. Ohne Schema-Markup fehlt die technische Grundlage; ohne NAP-Konsistenz fehlt die Bestätigung durch Drittquellen.

Brauchen Unternehmen mit mehreren Standorten separate NAP-Daten?

Unternehmen mit mehreren Standorten benötigen separate NAP-Daten und separate LocalBusiness-Schema-Einträge für jeden Standort. Jeder Standort erhält eine eigene Landingpage mit eigenem LocalBusiness-Markup, eigener Adresse, eigener Telefonnummer und eigenen Öffnungszeiten. Die Organization-Entität bleibt als Dachentität bestehen und verweist über die Schema-Beziehung "department" auf die Standort-Entitäten.

Wie wirkt sich NAP-Konsistenz auf die lokale AI-Sichtbarkeit aus?

NAP-Konsistenz wirkt sich direkt auf die lokale AI-Sichtbarkeit aus, weil AI-Systeme bei standortbezogenen Anfragen ("Zahnarzt in München") Unternehmen mit konsistenten, vollständigen Standortdaten bevorzugen. Google AI Overviews nutzen die Entity-Daten aus dem Google Business Profile in Kombination mit Schema-Markup und Branchenverzeichnissen. Unternehmen mit inkonsistenten Standortdaten werden bei lokalen Anfragen seltener als Quelle zitiert.

Reicht ein Google Business Profile für die Entity Resolution?

Ein Google Business Profile ist notwendig, aber nicht ausreichend für eine vollständige Entity Resolution. AI-Systeme wie ChatGPT und Perplexity nutzen eigene Crawler und greifen auf eine Vielzahl von Quellen zurück, nicht ausschließlich auf Google-Daten. Erst die Kombination aus Schema-Markup auf der eigenen Website, konsistenten Einträgen in mindestens 4-6 DACH-Verzeichnissen und einer gepflegten llms.txt-Datei bildet eine belastbare Entity-Basis für alle relevanten AI-Plattformen.