Zwei B2B-Dienstleister in Berlin, fast identische Websites, vergleichbare Referenzen. Frage ich ChatGPT nach Anbietern in ihrem Feld, taucht der eine in der Antwort auf – der andere nicht. ChatGPT empfiehlt das zweite Unternehmen nicht, weil es die Firma nicht als eindeutige Entität erkennt, nicht weil das Angebot schlechter wäre.
Zwei Agenturen, gleiche Qualität, gegensätzliche KI-Präsenz
Nehmen wir zwei fiktive, aber typische Fälle aus meiner Audit-Praxis. Agentur A und Agentur B sitzen beide in Berlin-Mitte, beide machen technisches Consulting, beide haben saubere WordPress-Seiten mit einer ordentlichen „Über uns“-Seite. Auf dem Bildschirm sind sie kaum zu unterscheiden.
Der Unterschied liegt unter der Oberfläche. Agentur A hat im Quelltext der Startseite ein strukturiertes Organization-Schema: ein Block in JSON-LD, der Maschinen sagt, wie die Firma heißt, wer sie gegründet hat, wo sie sitzt und welche Profile dieselbe Firma beschreiben. Agentur B hat das nicht. Sie sagt all das nur in Prosa: „Wir sind eine inhabergeführte Berliner Agentur, gegründet 2019.“
Für einen menschlichen Leser ist das gleichwertig. Für ein Sprachmodell nicht. Der eine Satz ist eine Behauptung im Fließtext, die das Modell mit tausend ähnlichen Sätzen abgleichen muss. Das Schema ist eine maschinenlesbare Tatsachenkarte. Genau diese Karte entscheidet, ob ein Modell Ihre Firma mit der nötigen Sicherheit nennt – oder im Zweifel die nächste nimmt, bei der es sich sicher ist.
ChatGPT empfiehlt Ihr Unternehmen nicht, weil es Ihre Firma nicht als eindeutige Entität erkennt – nicht weil Ihr Angebot schlechter ist.
Wie KI-Modelle Entitätswissen aufbauen
Um zu verstehen, warum das Schema so viel ausmacht, hilft ein Blick auf den Weg, den Ihre Daten in einem Sprachmodell nehmen. Vereinfacht läuft das in fünf Schritten ab: Das Modell extrahiert JSON-LD-Blöcke aus der Seite, parst sie, bildet Entitäten und ihre Attribute ab, verknüpft Identifikatoren wie sameAs und @id – und bettet das Ergebnis in seinen Wissensgraphen ein. Beim Antworten greift es darauf zurück.
Der vierte Schritt ist der entscheidende. Das Verknüpfen von Identifikatoren – das sogenannte Entity Linking – gibt der Maschine die Sicherheit, eine Quelle zu zitieren. Und Sicherheit ist genau das, was dazu führt, dass Ihre Daten wiederverwendet werden. Ohne diese Verknüpfung bleibt Ihre Firma ein loses Textfragment, das das Modell nicht eindeutig zuordnen kann.
Ich sehe das immer wieder in den Audits: Der Text sagt alles Richtige, aber die Maschine kann ihn nicht zuordnen. Es gibt zwölf andere Firmen mit ähnlichem Namen, drei davon in Berlin, und nichts im Markup sagt dem Modell, welche davon Sie sind. Google formuliert dasselbe für die klassische Suche offen: Organization-Markup auf der Startseite hilft, „Ihre Organisation in den Suchergebnissen zu disambiguieren“. Einige Felder arbeiten ausschließlich im Hintergrund, allein zu diesem Zweck.
Was sich mit den Sprachmodellen verschoben hat: JSON-LD war früher ein Vertrauenssignal für Googles Parser. Heute ist es ein Vertrauenssignal für Maschinen, die schlussfolgern. Und das Feld sameAs, das in der klassischen Suche optional war, ist dabei nicht mehr verhandelbar.
Das Organization-Schema: die acht Felder, die über KI-Sichtbarkeit entscheiden
Sie brauchen kein dreißigzeiliges Schema. Acht Felder tragen den Großteil der Wirkung. Hier ein vollständiges, kopierfähiges JSON-LD, das in den <head> Ihrer Startseite gehört:
<script type="application/ld+json">
{
„@context“: „https://schema.org“,
„@type“: „Organization“,
„@id“: „https://ihre-firma.de/#organization“,
„name“: „Ihre Firma GmbH“,
„url“: „https://ihre-firma.de“,
„logo“: „https://ihre-firma.de/logo.png“,
„foundingDate“: „2019-03-01“,
„founder“: {
„@type“: „Person“,
„@id“: „https://ihre-firma.de/team/vorname-nachname/#person“,
„name“: „Vorname Nachname“
},
„contactPoint“: {
„@type“: „ContactPoint“,
„contactType“: „customer service“,
„email“: „kontakt@ihre-firma.de“,
„areaServed“: „DE“,
„availableLanguage“: [„de“, „en“]
},
„sameAs“: [
„https://www.wikidata.org/wiki/Q000000“,
„https://www.linkedin.com/company/ihre-firma“,
„https://www.crunchbase.com/organization/ihre-firma“
]
}
</script>@type – legt fest, dass es sich um eine Organisation handelt. Das ist der Anker, an dem alle weiteren Felder hängen; ohne ihn bleibt der Block bedeutungslos.
name – der offizielle Firmenname, exakt so, wie er auch im Handelsregister und auf LinkedIn steht. Abweichende Schreibweisen erschweren der Maschine die Zuordnung.
url – die kanonische Domain. Sie verankert die Entität an einem festen Ort und verhindert, dass das Modell Sie mit einer gleichnamigen Firma unter anderer Domain verwechselt.
logo – die Bildquelle, die in Knowledge Panels und KI-Antworten erscheinen kann. Google nutzt dieses Feld direkt für die visuelle Darstellung in der Suche.
foundingDate – das Gründungsjahr im ISO-Format. Ein hartes Faktum, das Ihre Firma von jüngeren oder älteren Namensvettern trennt und Antworten wie „gegründet 2019“ überhaupt erst belegbar macht.
founder – verlinkt nicht nur einen Namen, sondern eine eigene Person-Entität mit @id. Damit kann das Modell die Expertise des Gründers mit dem Unternehmen verknüpfen, statt beide getrennt zu behandeln.
contactPoint – Kontaktweg, bediente Region und Sprachen. Das signalisiert Erreichbarkeit und Marktfokus und hilft bei lokalen oder sprachspezifischen Anfragen.
sameAs – das Array externer Profile, die dieselbe Firma beschreiben. Es ist das wichtigste Feld für KI-Auffindbarkeit, weil es Systemen explizit sagt: Diese Entität ist dieselbe wie die an diesen anderen URLs. Ohne sameAs ist das Schema eine Insel; erst das Array macht daraus eine verifizierte Identität.
Die Person-Entität: warum Ihr Gründerprofil ein Schema-Eintrag sein muss, kein Bio-Abschnitt
Ein häufiger Fehler: Die Gründer-Bio steht als hübscher Absatz auf der Team-Seite – „Alexander Kirsch-Clayton ist Gründer von Digital Domination und …“ – und das war es. Für ein Sprachmodell ist dieser Absatz unstrukturierter Text wie jeder andere. Er enthält einen Namen, aber keine maschinenlesbare Identität.
Der Unterschied ist ein eigenständiges Person-JSON-LD mit einem sameAs, das auf mindestens ein kanonisches Profil zeigt – LinkedIn, Xing, idealerweise Wikidata. Genau das nutzt Google, um zu bestätigen, dass eine Person real ist, und um sie von anderen mit gleichem Namen zu trennen. Ohne dieses Markup trägt eine Bio-Seite kein Identitätssignal, das eine Maschine verwerten kann.
Das ist mehr als Kosmetik, denn KI-Modelle attribuieren Expertise an Personen, nicht an Marken. Eine Marke ist eine Hülle; das Vertrauen hängt an Menschen mit überprüfbarer Historie. Als ich meinen eigenen Namen in ChatGPT eingegeben habe, hat mir das gezeigt, wie wenig eine Bio-Seite ohne Schema-Markup leistet – das Modell kannte Fragmente, konnte sie aber nicht sicher mir zuordnen.
<script type="application/ld+json">
{
„@context“: „https://schema.org“,
„@type“: „Person“,
„@id“: „https://ihre-firma.de/team/vorname-nachname/#person“,
„name“: „Vorname Nachname“,
„jobTitle“: „Gründer“,
„worksFor“: { „@id“: „https://ihre-firma.de/#organization“ },
„sameAs“: [
„https://www.linkedin.com/in/vorname-nachname“,
„https://www.xing.com/profile/Vorname_Nachname“
]
}
</script>Beachten Sie das @id: Es ist identisch mit der ID, die das Organization-Schema unter founder referenziert. So entsteht eine echte Verknüpfung zwischen Person und Firma – nicht zwei lose Blöcke, die zufällig denselben Namen erwähnen.
sameAs: die sechs Verzeichnisse, die Ihre Entität für KI-Modelle verifizieren
sameAs ist nur so stark wie die Profile, auf die es zeigt. Nicht jeder Eintrag wiegt gleich. Hier die Prioritätsreihenfolge, die ich empfehle, und warum jeder Eintrag zählt:
- Wikidata – der wichtigste Anker. Wikidata speist direkt Wissensgraphen und vergibt Ihrer Firma eine Q-Nummer als eindeutigen Entitäts-Identifikator. Für die Disambiguierung durch Sprachmodelle ist das der härteste Bezugspunkt. Tragen Sie die volle Wikidata-URL ein.
- LinkedIn Company Page – das B2B-Vertrauenssignal. Die offizielle Unternehmensseite belegt, dass die Firma aktiv ist, Mitarbeiter hat und einen Marktauftritt pflegt. Verwenden Sie die
/company/-URL, nicht ein persönliches Profil. - Google Business Profile – die lokale Autorität. Für Firmen mit Standortbezug verankert es Adresse, Öffnungszeiten und Bewertungen und stützt lokale Anfragen. Verlinken Sie die öffentliche Maps- oder Profil-URL.
- Crunchbase – der Kontext zu Gründung, Finanzierung und Branche. Besonders relevant, wenn Ihre Firma im Startup- oder Tech-Umfeld eingeordnet werden soll. Die
/organization/-URL gehört ins Array. - Trustpilot oder ProvenExpert – das soziale Signal. Bewertungsprofile zeigen Maschinen, dass reale Kunden mit der Firma interagiert haben. Wählen Sie das Portal, auf dem Sie tatsächlich Bewertungen sammeln.
- Branchenverzeichnis – die fachliche Einordnung, etwa BVDW für Digitalagenturen oder ein seriöses Listing wie Clutch DE. Es platziert Ihre Entität im richtigen Themenfeld und stützt die Zuordnung zu Ihren Leistungen.
Die Regel dahinter ist simpel: sameAs ist der offizielle schema.org-Mechanismus, um eine Identität eindeutig zu machen – die Property zeigt laut Definition auf „die URL einer Referenzseite, die die Identität des Objekts eindeutig angibt“. Je mehr unabhängige, seriöse Profile auf dieselbe Firma zeigen, desto sicherer wird das Modell. Drei starke Einträge schlagen zehn beliebige.
WordPress-Umsetzung: Yoast und RankMath oder manuelles JSON-LD
In etwa vier von fünf Fällen reicht ein Plugin. Yoast SEO gibt das Organization-Schema automatisch auf jeder Seite aus; RankMath bietet dasselbe samt Editor für die sameAs-Profile. Wenn Sie eine einzige Entität haben und nur die Grundfelder brauchen, tragen Sie die Daten in den Plugin-Einstellungen ein und sind fertig.
Manuelles JSON-LD lohnt sich, sobald es komplexer wird: mehrere Entitäten mit verknüpften @id-Referenzen, ein zusätzliches Service-Schema, oder wenn Ihr Theme bereits ein konkurrierendes Schema ausgibt und Konflikte entstehen. Yoast räumt selbst ein, dass es nicht alle Inhaltstypen abdeckt – Mehr-Entitäten-Setups mit einer separaten Person oder einem Service neben der Organisation verlangen eigenes JSON-LD.
// functions.php – Fallback, wenn kein Plugin das Schema ausgeben soll
add_action(‚wp_head‘, function () {
if (!is_front_page()) return;
$schema = file_get_contents(get_template_directory() . ‚/organization.json‘);
echo ‚<script type="application/ld+json">‚ . $schema . ‚</script>‚;
});Verifikation: Rich Results Test und promptbasierte Gegenprobe
Schema, das nicht validiert, ist Schema, das nicht zählt. Die Prüfung läuft in zwei Schritten.
- Rufen Sie Googles Rich Results Test auf und geben Sie Ihre Startseiten-URL ein. „Organization erkannt“ bedeutet: Der Block ist syntaktisch korrekt und wird ausgelesen. „Keine Ergebnisse“ oder Warnungen heißen: Es gibt einen Syntaxfehler, der Block fehlt im ausgelieferten HTML, oder ein Pflichtfeld ist leer. Beheben Sie das, bevor Sie weitermachen.
- Machen Sie die inhaltliche Gegenprobe direkt im Modell: Fragen Sie ChatGPT und Perplexity nach Ihrem Firmennamen und beobachten Sie, ob „gegründet von“, „Standort“ und „Leistungen“ korrekt wiedergegeben werden. Stimmen die Fakten, greift Ihr Entitätswissen. Halluziniert das Modell oder verwechselt es Sie, fehlen noch Signale – meist im sameAs-Array.
Eine ehrliche Einordnung gehört dazu: Schema ist Infrastruktur, kein Wunderhebel. Eine große Ahrefs-Analyse von 1.885 Seiten, die zwischen August 2025 und März 2026 JSON-LD ergänzt haben, fand zwar, dass von KI zitierte Seiten überdurchschnittlich oft Schema tragen – allein das Hinzufügen brachte aber keinen statistisch signifikanten Anstieg der Zitierungen. Die Studie warf alle Schema-Typen in einen Topf, trennte Entitäts- also nicht von Inhalts-Schema. Schema schafft die Voraussetzung; Relevanz und thematische Autorität entscheiden zusätzlich darüber, ob Sie genannt werden.
Und rechnen Sie mit Latenz. Crawler besuchen Seiten nicht sofort neu, externe Profile müssen erst indexiert werden. In der Regel vergehen vier bis acht Wochen, bis erste Verbesserungen sichtbar werden. Wer nach drei Tagen das Modell befragt und nichts sieht, hat nichts falsch gemacht – nur zu früh geschaut.
Von unsichtbarer Entität zur zitierten Autorität: was in 60 bis 90 Tagen passiert
Ein realistischer Fahrplan ohne Schönfärberei. Drei Meilensteine markieren den Weg von der unsichtbaren zur erkennbaren Entität:
- Tag 1 bis 7 – Schema live und validiert. Organization- und Person-Block stehen im
<head>, der Rich Results Test meldet „erkannt“, doppelte Blöcke sind beseitigt. Das ist die kontrollierbare Hälfte der Arbeit. - Woche 2 bis 6 – sameAs-Einträge angelegt und indexiert. Wikidata-Eintrag erstellt, LinkedIn- und Branchenprofile sauber verlinkt, alle Schreibweisen des Firmennamens vereinheitlicht. Jetzt verknüpfen die Maschinen die Profile zu einer Identität.
- Tag 60 bis 90 – erste korrekte KI-Nennung. Perplexity oder eine Google-AI-Übersicht gibt Ihre Firma mit dem richtigen Kontext wieder: Gründer, Standort, Leistungen stimmen. Das ist der Punkt, an dem aus Markup messbare Sichtbarkeit wird.
Den dritten Schritt sollten Sie nicht aus dem Bauch heraus beurteilen, sondern messen. Genau dafür haben wir Cited gebaut: Es verfolgt in Echtzeit, wie ChatGPT, Claude, Perplexity, Gemini und Google AI Overviews Ihre Marke und Ihre Wettbewerber beschreiben, und erzeugt daraus konkrete To-dos. So sehen Sie, ob das Schema greift – statt es zu raten.
Wenn Sie wissen wollen, wo Ihre Entität heute steht und welche der acht Felder und sechs Profile bei Ihnen fehlen, ist unser KI-Sichtbarkeits-Audit der schnellste Einstieg. Wir prüfen Ihr vorhandenes Markup, testen die Modelle gegen Ihren Firmennamen und sagen Ihnen, was Sie diese Woche umsetzen können – und was ein größeres Projekt ist.