Schema & Knowledge-Graph — die Sprache, in der KI deine Website liest
Ohne sauberes JSON-LD bist du für ChatGPT, Gemini und Knowledge-Graphen unsichtbar — egal wie gut dein Content ist. Wir bauen die Brücke.
Schema.org ist nicht „nice to have“. Es ist das Format, in dem KI-Modelle deine Website strukturiert auslesen — Entitäten, Beziehungen, Eigenschaften. Ohne sauberes JSON-LD bist du für ChatGPT, Gemini und Google-Knowledge-Graphen unsichtbar, egal wie tief dein Content ist.
Was wir liefern
Vollständiger @graph mit 5–8 Nodes
Organization, WebSite, WebPage, Person, Service, FAQPage, BreadcrumbList, ggf. LocalBusiness oder ProfessionalService — alle Knoten sauber via @id verlinkt, kein Duplikat-Schema.
Entity-Signale
sameAs-Verknüpfung zu Wikipedia, Wikidata, LinkedIn, branchenspezifischen Profilen (z.B. Crunchbase, Branchenbuch). Knowledge-Graph-Engines lesen daraus deine Identität.
Wikidata-Strategie
Q-ID-Erstellung oder Pflege, sodass dich Knowledge-Graphen als Entität führen — nicht nur als URL. Inkl. Property-Set (P31, P17, P159, P749 …) und Backlink-Hygiene.
Validation & Tests
Google Rich-Results-Test, Schema.org-Validator, Search-Console-Coverage. Wir liefern Schema, das durch alle Tests sauber durchgeht — keine Warnings, keine Errors.
FAQPage pro Service
Strukturierte Frage-Antwort-Paare als FAQPage-Schema. Verbessert sowohl klassische Rich-Snippets als auch die Wahrscheinlichkeit, in AI-Overviews und ChatGPT-Antworten zitiert zu werden.
Service- & Product-Schema
Pro Dienstleistung ein eigenes Service-Node mit Provider-Verknüpfung, areaServed, serviceType. Bei Produkten Product/AggregateOffer mit korrekter Preis-Auszeichnung.
Warum das ein Wettbewerbsvorteil ist
Die meisten Agenturen liefern Schema „als Plugin-Default“. Rank Math oder Yoast aktiviert, ein paar Standard-Tags gesetzt, fertig. Das reicht für die Google-Sichtbarkeit von 2018 — aber nicht für KI-Sichtbarkeit von 2026.
Wir bauen Knowledge-Graphen, die logisch korrekt verknüpft sind. Organization referenziert Person via founder-Property. Person hat sameAs zu Wikipedia und LinkedIn. Service referenziert Provider mit @id-Match. WebPage hat isPartOf-Beziehung zu WebSite. Alle Knoten sind auflösbar — KI-Modelle können der Kette folgen und deine Identität rekonstruieren.
Das Ergebnis: Wenn ChatGPT nach „SEO-Berater Frankfurt KI-Sichtbarkeit“ gefragt wird, zitiert es nicht zufällige Listicle-Sites — sondern Marken, deren Knowledge-Graph mit den Antwort-Konzepten kompatibel ist.
Unser Schema-Standard
Wir arbeiten nach einem internen Schema-Standard mit 14 Pflicht-Punkten, entwickelt aus 50+ Audits (Gastro, Consulting, lokale Geschäfte). Auszug:
- Ein @graph pro Page — keine Schema-Duplikate aus Plugin + Theme + Custom
- 5–8 Nodes Mindesttiefe — Organization, WebSite, WebPage, plus context-spezifische Knoten
- @id mit URL-Anker (`#org`, `#website`, `#person`) — keine UUID-IDs, damit Cross-Page-Referenzen stabil sind
- sameAs auf jeder Person/Organization mit min. 3 externe Identitätsbelege (Wikipedia, Wikidata, LinkedIn als Default)
- Image-Property mit ImageObject (nicht nur URL-String) — width/height/caption für Knowledge-Graph-Reichtum
- Address als PostalAddress-Objekt — nicht als String. Mit streetAddress, postalCode, addressLocality, addressCountry, addressRegion
- FAQPage nur bei echten FAQs — keine umetikettierten Marketing-Texte. Google straft das mittlerweile ab
- BreadcrumbList auf jeder Page mit position-konsistenten ListItems
- llms.txt + robots.txt + sitemap.xml synchronisiert — alle drei zeigen dieselbe URL-Wahrheit
- Schema.org-Version aktuell — wir verwenden die jeweils aktuellste, kein Legacy-V1
Beispiel aus unserer Praxis: Eine Beratungs-Site mit Score 54/100 wurde nach Schema-Konsolidierung (Person ins @graph, Wikidata-Q-ID, sameAs +3, FAQPage 7Q) auf Score 72/100 gehoben. Erste Re-Audit-Treffer in AI-Overview innerhalb von 6 Wochen. Siehe anonymisiert unter Cases.
Wie wir vorgehen
Schema-Audit
Wir crawlen alle Pages, extrahieren existierendes Schema, prüfen Validität und Vollständigkeit. Inkl. Diff zu unserem Standard.
Knowledge-Graph-Architektur
Wir entwerfen die Knoten-Struktur: welche Entities, welche Properties, welche sameAs-Verknüpfungen. Das ist der entscheidende Schritt.
Implementierung
Wir liefern fertiges JSON-LD (oder ziehen es im CMS ein — WordPress, Webflow, Shopify, Headless). Inkl. Wikidata-Eintrag, falls strategisch sinnvoll.
Validation & Monitoring
Google Rich-Results-Test, Schema.org-Validator, Search-Console-Coverage. 30 Tage Monitoring auf Schema-Errors inkludiert.
Schema, das KI-Modelle wirklich verstehen
Wir machen ein kostenfreies Schema-Inventar deiner Domain — wie viele Nodes, wie tief, wie sauber? Du siehst sofort, wo der Hebel liegt.
Schema-Inventar anfragenHäufige Fragen
Reicht nicht das Schema-Plugin von Yoast oder Rank Math?
Für die Google-Basis-Sichtbarkeit von 2018 — ja. Für KI-Sichtbarkeit 2026 — nein. Plugin-Schema ist generisch (Organization mit Name+URL+Logo, WebSite, WebPage). Es fehlt fast immer: ein konsistentes @graph, sameAs zu Wikipedia/Wikidata, Person-Knoten mit korrekter founder-Verknüpfung, Service-Nodes pro Dienstleistung, BreadcrumbList. Wir bauen darauf auf, ersetzen aber häufig die Plugin-Defaults durch maßgeschneiderte JSON-LD-Templates.
Was kostet ein Schema-Setup?
Abhängig von Site-Größe und Ist-Zustand. Schema-Inventar: kostenfrei (1–2 Werktage Vorlauf). Standard-Schema-Setup für eine kleine Site (≤20 Pages): 1.490 € netto. Knowledge-Graph-Aufbau mit Wikidata-Eintrag und Multi-Language: ab 2.990 €. Bei Großprojekten individuell.
Braucht meine Marke einen Wikidata-Eintrag?
Wahrscheinlich ja, wenn du als Entität in KI-Antworten erscheinen willst — und nicht nur als URL-Treffer. Wikidata ist die Quelle, aus der Knowledge-Graphen Entity-Daten beziehen. Aber: Nicht jede Marke ist Wikidata-relevanzfähig. Wir prüfen die Relevanz-Kriterien (Reichweite, Presse, Drittquellen) ehrlich — und sagen dir auch, wenn ein Wikidata-Eintrag aktuell nicht sinnvoll wäre.
Was ist eine sameAs-Property und warum ist sie wichtig?
sameAs verlinkt deine Schema-Entität mit anderen, externen Identitätsbelegen — Wikipedia, Wikidata, LinkedIn, Crunchbase, Branchenverzeichnisse. Knowledge-Graph-Engines (Google KG, Bing-Entity-Graph, KI-Trainingsdaten) lesen sameAs als Beweis, dass deine URL und die Entität dahinter zusammengehören. Ohne sameAs bist du eine ID ohne Identität.
Schadet falsches Schema mehr als kein Schema?
Ja. Google Search Console flaggt Schema-Errors aktiv und kann ganze Schema-Strukturen ignorieren, wenn Validität-Probleme auftreten. Häufige Fehler: doppelte Schemas aus Plugin + Theme + Custom, falsche Property-Types (z.B. Address als String), inkonsistente @id-Referenzen. Wir liefern Validator-clean — keine Warnings, keine Errors.
Funktioniert das auch bei einer Headless-Architektur?
Ja. Bei Headless-Setups (Next.js, Nuxt, Astro, Gatsby) liefern wir Schema als render-time JSON-LD oder via API. Bei statischem SSG embedden wir es zur Build-Time. Wir haben Erfahrung mit Next.js, Astro, Webflow, Shopify (Liquid + Metafields), WordPress (Core + Rank Math + Custom).
Wie messt ihr den Erfolg eines Schema-Sprints?
Drei Metriken: (1) Schema-Validität — Errors/Warnings sollten 0 sein. (2) Knowledge-Graph-Sichtbarkeit — erscheint deine Marke im Google-KG-Knowledge-Panel? (3) AI-Overview/ChatGPT-Zitate — wirst du als Quelle in KI-Antworten genannt? Wir messen Punkt 1 sofort, Punkt 2+3 nach 4–8 Wochen.