Am 7. Mai 2026 hat Google die FAQ Rich Results abgeschaltet. Seitdem höre ich in fast jedem Audit dieselbe Frage: Kann das FAQPage-Markup jetzt weg? Kurze Antwort – nein. Gestorben ist die Anzeige in der Suche, nicht das Datenformat, das KI-Systeme längst für sich entdeckt haben.
Was Google am 7. Mai wirklich abgeschaltet hat
Die Ankündigung steht in Googles eigener Dokumentation zu strukturierten Daten und ist erstaunlich klar. Es gibt einen Drei-Stufen-Fahrplan: keine Anzeige mehr ab dem 7. Mai, das Reporting in der Search Console fällt im Juni weg, die Unterstützung im Rich Results Test ebenfalls.
As of May 7, 2026, FAQ rich results are no longer appearing in Google Search. We will be dropping the FAQ search appearance, rich result report, and support in the Rich results test in June 2026.
Lesen Sie diesen Satz genau. Google spricht über die Suchanzeige – die ausklappbaren Fragen, die früher unter Ihrem Treffer erschienen. Kein Wort davon, dass das Format aus dem Schema-Vokabular verschwindet oder dass Google das Markup nicht mehr crawlt. Es ist der Anzeige-Auslöser, der abgeschaltet wurde, nicht die Datenschicht darunter.
Und für alle, die das einem nicht-technischen Kunden in einem Satz erklären müssen: Google zeigt die FAQ-Kästen nicht mehr an, aber die Daten in Ihrem Quelltext liest jede Maschine weiter – auch die, die KI-Antworten zusammenbaut.
Die „Schema ist tot“-Panik
Auf dem deutschen SEO-Twitter kippte die Stimmung innerhalb von 48 Stunden. „FAQ-Schema raus“, „Schema bringt nichts mehr“, „Zeit für was Neues“. Der Fehlschluss steckt in einer Verwechslung, die ich seit Jahren in Audits sehe: Man hält eine Regel für die Darstellung in der Suche für eine Aussage über den Wert des Formats.
Das sind zwei verschiedene Dinge. Eine Rich-Result-Berechtigung ist eine Anzeigeregel – sie entscheidet, ob Google ein hübsches Element rendert. Ein Vertrauenssignal für KI-Crawler ist etwas völlig anderes – es hilft einer Maschine, Ihre Inhalte korrekt zu verstehen, einzuordnen und zu zitieren. Google hat Ersteres beerdigt. Letzteres nicht angerührt.
John Mueller von Google hat das selbst klargestellt, als die Debatte hochkochte. Seine Formulierung ließ wenig Spielraum: „Google is not killing schema.“ Die Abschaltung einzelner Rich-Result-Typen ist eine Bereinigung, kein Abschied von strukturierten Daten.
Wie KI-Engines strukturierte Daten 2026 nutzen
Strukturierte Daten haben die Ebene gewechselt. Früher waren sie eine Anzeigeschicht – sie machten Ihren Suchtreffer schöner. Heute sind sie eine Verifikationsschicht. Bevor AI Mode (auf Googles Gemini-Modellen), Perplexity oder ChatGPT Web eine Antwort komponieren, prüfen sie drei Dinge: Wer ist diese Entität wirklich, beantwortet diese Seite die gestellte Frage, und wie sicher kann ich sie zitieren? JSON-LD liefert auf alle drei eine maschinenlesbare Antwort.
Das Herzstück ist die Entitäts-Auflösung. Organization-Schema mit der sameAs-Eigenschaft ist der Mechanismus, mit dem KI-Systeme eine Domain mit ihren externen Profilen verknüpfen. Wie ein Audit-Anbieter es formuliert: „This is how AIs understand that your LinkedIn page, Twitter profile and website represent the same organization.“ Erst wenn die Maschine sicher ist, dass alle diese Web-Identitäten dasselbe reale Unternehmen sind, zitiert sie es mit Selbstvertrauen.
Google beschreibt den Zweck seines eigenen Organization-Schemas exakt so – als Disambiguierung, nicht als Visitenkarte. Strukturierte Daten auf der Startseite helfen, „disambiguate your organization in search results“. Und es geht weiter: Eine etablierte Entität im Knowledge Graph gilt inzwischen als Voraussetzung für Zitate in AI Overviews und AI-Mode-Antworten – „it is the prerequisite for AI Overview citations, Knowledge Panel cards, and AI Mode answers.“ Gemini ist auf dem Knowledge Graph trainiert. Wen die Maschine nicht kennt, den zitiert sie nicht.
Das zweite Leben von FAQPage
Hier wird es konkret. In den Wochen nach der Ankündigung haben einige Kunden – verständlicherweise – ihr FAQPage-Markup entfernt. „Bringt ja nichts mehr.“ Was wir in den Audits danach beobachtet haben: Seiten, die das Markup gestrichen haben, verloren innerhalb von vier bis sechs Wochen messbar an Zitierungen in Perplexity. Nicht in Google – in Perplexity.
Der Grund liegt in der Architektur. Das Markup bleibt für Nicht-Google-Crawler abrufbar – ausdrücklich „crawlable by Bingbot, PerplexityBot, and the various retrieval-augmented generation crawlers indexing the open web.“ Googles Anzeige war nie das einzige Publikum. Sie war nur das sichtbarste.
Und die Frage-Antwort-Struktur von FAQPage passt fast perfekt zu der Art, wie Retrieval-Augmented-Generation-Systeme Inhalte in Chunks zerlegen und ranken. Indem das Markup eine Frage explizit von ihrer Antwort trennt, nimmt es genau die Mehrdeutigkeit aus dem Text, die KI-Systeme beim Zitieren zu vermeiden versuchen – „a machine-readable format that clearly delineates questions from answers, eliminating ambiguity in content parsing.“ Sie liefern der Maschine ein vorportioniertes Antwort-Paar, statt sie raten zu lassen, wo die Antwort anfängt und aufhört.
Das ist kein Bauchgefühl. Drittanbieter-Audits berichten, dass Seiten mit validem FAQ-, HowTo- und QAPage-Schema 20–30 % häufiger in KI-generierten Zusammenfassungen auftauchen als vergleichbare Seiten ohne Struktur. Wenn Sie diesen Effekt für Ihre eigene Marke messen wollen – wie oft ChatGPT, Perplexity, Gemini und die Google AI Overviews Sie tatsächlich zitieren –, haben wir bei Digital Domination dafür Cited gebaut: Es verfolgt in Echtzeit, wie diese Systeme Sie und Ihre Wettbewerber beschreiben, und macht aus jedem Zitier-Verlust ein konkretes To-do.
Der B2B-Schema-Stack 2026 – nach AEO-Wirkung sortiert
Wenn FAQPage nicht mehr das prestigeträchtige Anzeigeelement ist, was hat dann Priorität? Hier ist der Stack, mit dem wir B2B-Seiten 2026 ausstatten – geordnet nach Wirkung auf die Zitierfähigkeit in KI-Antworten.
1. Article mit datePublished und author als Person
Die wichtigste Schicht für inhaltsgetriebene Seiten. datePublished und dateModified sind die beiden Felder, die Aktualität belegen – und genau die prüft das Mai-2026-Core-Update gegen seine Frische-Dimension. Der Implementierungshinweis aus der Praxis: Setzen Sie author als verschachteltes Person-Objekt mit eigenem sameAs auf das LinkedIn-Profil des Autors, nicht als bloßen String. Ein Name ohne verifizierbare Identität ist für die Maschine nur Text.
2. Organization mit sameAs, founder und contactPoint
Die Entitäts-Schicht, einmal auf der Startseite, von allem anderen referenziert. Ohne sie weiß die KI nicht, wer Sie sind. Implementierungshinweis: sameAs sollte auf jedes Profil zeigen, das Ihre Identität bestätigt – LinkedIn, Wikidata, Crunchbase, GitHub. Je mehr saubere Verknüpfungen, desto sicherer die Auflösung.
3. FAQPage auf Service- und Produktseiten
Behalten, nicht entfernen – aber bewusst platzieren. Auf Service- und Produktseiten, wo echte Kundenfragen stehen, liefert FAQPage der RAG-Pipeline vorportionierte Antwort-Paare. Implementierungshinweis: Nur echte, auf der Seite sichtbare Fragen markieren. Verstecktes oder erfundenes FAQ-Markup war schon vor der Abschaltung ein Richtlinienverstoß und ist es weiterhin.
4. BreadcrumbList für die Hierarchie
Ein unterschätztes Signal. BreadcrumbList sagt der Maschine, wo eine Seite in Ihrer Themenstruktur sitzt – ein Baustein der thematischen Autorität. Implementierungshinweis: Die Reihenfolge im Markup muss der sichtbaren Navigation entsprechen, sonst entsteht ein Mismatch, der das Vertrauen senkt.
5. HowTo für prozessorientierte Inhalte
Überall dort, wo Sie eine Abfolge von Schritten beschreiben – Einrichtung, Migration, Onboarding. HowTo gehört zu den Typen, die nachweislich häufiger in KI-Zusammenfassungen erscheinen. Implementierungshinweis: Jeder HowToStep braucht einen eigenen Namen und Text; eine Wand aus Fließtext in einem einzigen Schritt verschenkt den Vorteil.
Vorher / Nachher – eine echte Service-Seite umgebaut
Nehmen wir eine realistische, anonymisierte deutsche B2B-SaaS-Seite – ein Anbieter von Lohnabrechnungs-Software, Service-Seite mit einem FAQ-Block. So sah der relevante Teil vorher aus: sichtbarer Text, aber für die Maschine nur eine Folge von Überschriften und Absätzen.
<section class="faq">
<h2>Häufige Fragen zur Lohnabrechnung</h2>
<h3>Wie lange dauert die Einrichtung?</h3>
<p>Die meisten Mandanten sind in fünf Werktagen produktiv.</p>
<h3>Unterstützt ihr den DATEV-Export?</h3>
<p>Ja, der Export läuft automatisch zum Monatsende.</p>
</section>Ein Mensch versteht das sofort. Ein RAG-Crawler muss raten, wo die Frage endet und die Antwort beginnt – und ob die Überschrift überhaupt eine Frage ist. Wir ergänzen denselben Inhalt um einen JSON-LD-Block, der die Paare explizit auszeichnet:
<script type="application/ld+json">
{
"@context": "https://schema.org",
"@type": "FAQPage",
"mainEntity": [
{
"@type": "Question",
"name": "Wie lange dauert die Einrichtung?",
"acceptedAnswer": {
"@type": "Answer",
"text": "Die meisten Mandanten sind in fünf Werktagen produktiv."
}
},
{
"@type": "Question",
"name": "Unterstützt ihr den DATEV-Export?",
"acceptedAnswer": {
"@type": "Answer",
"text": "Ja, der Export läuft automatisch zum Monatsende."
}
}
]
}
</script>Dazu auf der Startseite – einmal, global – die Entitäts-Schicht, die jede Service-Seite stützt:
<script type="application/ld+json">
{
"@context": "https://schema.org",
"@type": "Organization",
"name": "Beispiel Lohn GmbH",
"url": "https://beispiel-lohn.de",
"founder": { "@type": "Person", "name": "Vorname Nachname" },
"contactPoint": {
"@type": "ContactPoint",
"contactType": "sales",
"email": "vertrieb@beispiel-lohn.de"
},
"sameAs": [
"https://www.linkedin.com/company/beispiel-lohn",
"https://www.wikidata.org/wiki/Q000000"
]
}
</script>Das strukturelle Ergebnis in einem Perplexity-Zitier-Test: Vor dem Umbau zog die Engine die Antwort auf „Wie lange dauert die Einrichtung einer Lohnabrechnungs-Software?“ aus einem Wettbewerber-Vergleich. Nach dem Umbau – mit aufgelöster Entität und sauber abgegrenzten Frage-Antwort-Paaren – erschien die Beispiel Lohn GmbH selbst als zitierte Quelle. Dieselben Inhalte, dieselben Sätze. Der Unterschied war ausschließlich die Maschinenlesbarkeit.
Das Mai-2026-Core-Update und die Korroborations-Schicht
Das Core-Update, das gerade ausrollt und um den 5. Juni schließt, bewertet E-E-A-T ganzheitlich – Erfahrung, Expertise, Autorität und Vertrauenswürdigkeit werden nicht als getrennte Häkchen geprüft, sondern als Gesamtbild. Korrektes, vollständiges Schema wirkt dabei wie eine Korroborations-Schicht: Es bestätigt unabhängig, was Ihr sichtbarer Inhalt behauptet.
Konkret: Ihre Autoren-Angaben werden gegen das Person-Schema gehalten, die Aktualität gegen datePublished und dateModified, die thematische Autorität gegen Organization und BreadcrumbList. Stimmt alles überein, verstärkt das Schema das Signal. Widerspricht es sich, schwächt es es.
Genau deshalb zählt in dieser Phase „Schema-Korrektheit“ mehr als Schema-Menge. Korrektheit heißt: keine falsch zugewiesenen Typen, keine fehlenden Pflichtfelder, kein Mismatch zwischen Markup und sichtbarer Seite. Eine Beobachtung aus dem laufenden Rollout stützt das – Seiten mit FAQ-, Article- und Review-Schema halten sich stabiler, „because Google's systems can understand and categorise them more accurately during a turbulent rollout period.“ In volatilen Phasen gewinnt, was die Maschine zweifelsfrei einordnen kann.
Die Fünf-Fragen-Schema-Prüfung für Ihre Seite
Das können Sie in 20 Minuten selbst durchgehen. Öffnen Sie den Quelltext Ihrer wichtigsten Service-Seite und Ihrer Startseite und beantworten Sie fünf Fragen ehrlich:
- Hat Ihre Startseite ein Organization-Schema mit gefülltem
sameAsauf mindestens zwei externe Profile? Wenn nein, kann die KI Ihre Entität nicht sicher auflösen. - Tragen Ihre Artikel ein Article-Schema mit
datePublished,dateModifiedund einemauthorals Person-Objekt – nicht nur als Name? - Ist Ihr FAQPage-Markup noch da, oder wurde es in der Mai-Panik entfernt? Falls entfernt: zurückholen, sofern echte Fragen sichtbar auf der Seite stehen.
- Stimmt jedes Markup mit dem sichtbaren Inhalt überein – keine erfundenen Fragen, keine falschen Typen, keine fehlenden Pflichtfelder?
- Wissen Sie, ob ChatGPT, Perplexity und Gemini Sie aktuell zu Ihren Kernthemen zitieren – oder raten Sie nur?
Wenn Sie bei drei oder mehr Fragen zögern, fehlt Ihrer Seite genau die Schicht, mit der KI-Systeme 2026 entscheiden, wen sie zitieren. Wir prüfen das in unserem GEO-Audit vollständig durch – Entitäts-Auflösung, Schema-Korrektheit und tatsächliche Zitier-Häufigkeit über alle großen KI-Engines hinweg – und liefern eine priorisierte Liste statt einer Diagnose. Wenn Sie wissen wollen, ob Ihr Schema-Stack Sie in die Antworten bringt oder daran vorbei: Schauen Sie sich das Audit an.