Google schreibt seit diesem Monat unverändert: Für KI-Overviews und den AI Mode brauchen Sie kein spezielles Schema-Markup. Gleichzeitig zeigen unabhängige Analysen messbare Unterschiede bei Perplexity und ChatGPT für Seiten mit sauberem JSON-LD. Beide Aussagen stimmen. Genau diesen Widerspruch löst dieser Beitrag auf.
Der Widerspruch in einem Absatz
Googles Position ist eindeutig und aktuell dokumentiert: „You don’t need to create new machine readable files, AI text files, or markup to appear in these features. There’s also no special schema.org structured data that you need to add.“ Kein AI-spezifisches Markup, keine Sondervorgabe. Auf der anderen Seite stehen Feldbeobachtungen aus der Praxis: Seiten mit attributreichem JSON-LD werden bei Perplexity und in ChatGPT häufiger und präziser zitiert. Die ehrliche Auflösung ist weder „Schema ist Pflicht“ noch „Schema ist nutzlos“. Sie liegt dazwischen – und sie ist engine-spezifisch.
Ich führe diese Audits regelmäßig durch, und die Frage kommt in fast jedem Gespräch: „Bringt JSON-LD mir Sichtbarkeit in KI-Antworten oder nicht?“ Die kurze Antwort: Auf Googles eigener Oberfläche kaum. Außerhalb davon ist strukturierte Daten die Schicht, über die Ihre Marke überhaupt erst als Entität erkannt wird. Warum das so ist, ergibt sich aus der Architektur der einzelnen Systeme.
Warum Google technisch recht hat – für Google
Seit Januar 2026 ist Gemini 3 das Standardmodell für KI-Overviews weltweit; der AI Mode läuft auf Gemini 3 Flash und Pro. Diese Modellgeneration liest den sichtbaren HTML-Text einer Seite und extrahiert Absicht und Bedeutung direkt daraus. JSON-LD wird als Vorverarbeitungssignal nicht mehr gebraucht, um zu verstehen, worum es auf einer Seite geht.
Dazu kommt der entscheidende Punkt: Google baut seine KI-Oberfläche auf dem eigenen Crawler und dem eigenen Knowledge Graph auf. Für etablierte Websites existiert dort seit Jahren Entitäts-Kontext – Name, Typ, Verknüpfungen. Strukturierte Daten liefern Google auf seiner eigenen Oberfläche also keinen zusätzlichen Hebel, den Google nicht ohnehin aus dem Fließtext und dem eigenen Graphen zieht. Das ist eine Google-spezifische architektonische Wahrheit, keine universelle KI-Wahrheit. Und diese Unterscheidung ist der ganze Kern der Sache.
Ein kontrolliertes Experiment von SearchVIU über fünf KI-Systeme hinweg bestätigt die Mechanik von der anderen Seite: Kein System extrahierte Daten, die ausschließlich im JSON-LD steckten. Von acht nur im Schema versteckten Produktpreisen fand Gemini vier, ChatGPT drei, Perplexity einen. Das Fazit der Tester: „JSON-LD Schema is NOT read by AI chatbots during direct fetch.“ Schema ersetzt sichtbaren Inhalt nicht – es verstärkt ihn.
Wie Perplexitys Sonar strukturierte Daten tatsächlich nutzt
Hier ist eine verbreitete Fehlannahme, die ich gleich ausräumen möchte: Perplexity liest JSON-LD nicht als typisierte Objekte, bevor es den Text verarbeitet. Das Gegenteil ist der Fall. Perplexitys Crawler wandelt gecrawlte Seiten beim Einlesen in Markdown um – ein Vorgang, der die JSON-LD-<script>-Blöcke entfernt, bevor das Sprachmodell den Inhalt überhaupt sieht. Der Einfluss von Schema auf Perplexity-Zitierungen läuft deshalb indirekt: über klassische SEO-Signale und die Stärke Ihres Entitäts-Graphen, nicht über direkte Extraktion des Markups.
Das klingt zunächst nach einem Argument gegen Schema – ist aber keins. Denn die Signale, die Sonars Retrieval-Schicht bewertet, werden von genau dieser strukturierten Basis geformt. Beobachtungsdaten zum Sonar-Ranking zeigen: Seiten mit drei oder mehr JSON-LD-FAQPage-Einträgen wurden in 41 % der Fälle zitiert, in denen sie auftauchten, gegenüber 24 % bei Seiten ohne FAQ-Markup. FAQ-Schema verkürzte die Zeit bis zur ersten Zitierung um rund sechs Stunden. Die Erklärung: Sonar zerlegt Seiten in absatzgroße Passagen und bewertet jede einzeln; deklarierte Q&A-Blöcke bilden explizite Passagengrenzen und reduzieren den Parsing-Aufwand.
Wichtig für die Ehrlichkeit dieser Zahl: Das ist eine Korrelation aus Feldbeobachtung, kein kontrolliertes Experiment, und der Q&A-Inhalt muss ohnehin im sichtbaren HTML stehen. Ohne JSON-LD behandelt Sonar eine Seite als undifferenzierten Fließtext – der Firmenname, der Leistungstyp und die Q&A-Inhalte sind zwar vorhanden, aber für die strukturbildende Schicht nicht als solche markiert. In den Audits, die ich durchführe, ist genau das der Normalfall: Seiten ohne eine einzige Zeile JSON-LD, die von jedem Nicht-Google-System als unklassifizierter Textblock verarbeitet werden.
Wie ChatGPTs Retrieval mit attributreichem Schema umgeht
ChatGPTs Retrieval läuft über Bing-indexierte Inhalte plus den eigenen GPTBot-Crawl. Bings Indexer verarbeitet Schema.org-Typen seit Jahren und reicht Entitäts-Metadaten an die Retrieval-Schicht weiter. Microsofts Fabrice Canel bestätigte dies auf der SMX München (März 2025) – berichtet und eingeordnet von Belmore Digital – mit einer der wenigen First-Party-Aussagen einer großen KI-Plattform: „Schema markup helps Bing’s LLMs understand content for Copilot.“ Die aktuellen Bing-Webmaster-Richtlinien (Februar 2026) nennen strukturierte Daten als Faktor der Zitier-Eignung.
In der Praxis wirkt Schema hier als Präzisions-Signal, nicht als Ranking-Signal. Produktseiten mit sauberen Preis- und Verfügbarkeitsattributen lösen mehrdeutige Anfragen genauer auf. LocalBusiness-Angaben wie contactPoint und hoursAvailable senken den Zwang des Modells, standortabhängige Antworten vage zu halten. FAQPage-Paare tauchen als Retrieval-Kandidaten auf, unabhängig vom organischen Ranking der Seite. Das Ergebnis: Schema verbessert die Retrieval-Präzision für ChatGPT, selbst wenn es das organische Bing-Ranking nicht bewegt.
Was die härteste Studie sagt – und was sie nicht widerlegt
Das rigoroseste verfügbare kontrollierte Experiment verglich über mehrere Monate Seiten, die JSON-LD ergänzten, gegen eine vergleichbare Kontrollgruppe – und fand auf keiner Plattform einen belastbaren, statistisch von null unterscheidbaren Effekt auf die Zitier-Rate. Die wenige messbare Bewegung war klein und uneinheitlich. Getrennt davon zeigt eine breit zitierte Korrelationsanalyse, dass KI-zitierte Seiten rund zwei- bis dreimal häufiger JSON-LD tragen.
Der scheinbare Konflikt löst sich über die Korrelationsfalle auf. Gut gepflegte, autoritative Websites führen Schema als Teil ihrer technischen Hygiene – und ziehen Zitierungen an, aus Gründen, die unabhängig vom Markup selbst sind. Das Markup verursacht die Zitierung nicht; es ist ein Begleitmerkmal von Seiten, die ohnehin zitiert werden. Wie ein Beobachter treffend schrieb: Modelle zitieren nicht, weil eine Seite FAQPage-Schema trägt, sondern weil der Inhalt die Frage besser beantwortet als alles andere, sauber belegt ist und echte Fachkenntnis zeigt.
Damit ist die ehrliche Antwort auf „Hilft Schema?“ formuliert: Strukturierte Daten verursachen für sich genommen keine KI-Zitierung. Sie sind aber Teil der Entitäts- und Autoritäts-Infrastruktur, die zuverlässig zitierte Seiten pflegen. Und diese Infrastruktur ist außerhalb von Google ungleich wichtiger – weil Perplexity und ChatGPT Googles Knowledge Graph nicht besitzen.
Das Binäre: Entität oder Textblock
Reduziert auf ein mentales Modell: Eine Seite mit gültigem Organisation- plus Article-JSON-LD ist eine typisierte Entität mit bekanntem Namen, Typ, Autor und Thema. Eine Seite ohne das ist eine Wahrscheinlichkeitsverteilung über mögliche Bedeutungen. Jede KI-Engine löst diese Verteilung anders auf. Google hat für die meisten etablierten Seiten genug Vorwissen, um sie korrekt aufzulösen. Perplexity und ChatGPT haben das nicht.
Für eine neue oder nischige B2B-Dienstleistungsseite ist „kein Schema“ deshalb keine neutrale Position. Es ist die aktive Entscheidung, jede KI-Engine Ihren Entitätstyp unabhängig raten zu lassen – ohne Garantie, dass die Systeme sich einig sind. Der Mechanismus dahinter ist die sameAs-Eigenschaft: Entitäts-Auflösung läuft vor dem Retrieval; Marken, die daran scheitern, werden ausgeschlossen, bevor die Passagenbewertung überhaupt beginnt. Jeder sameAs-Link ist eine Zusammenführungs-Anweisung: Konsolidiere dieses Profil und meine Website zu einem bestätigten Entitätsknoten. Drei Angaben müssen über alle Profile identisch sein – Name, kanonische URL und Beschreibung.
Fünf Schema-Typen mit beobachtbarer Wirkung
Die Wirkung dieser Typen läuft – daran sei erinnert – über Entitäts- und SEO-Signale, nicht über Live-Extraktion. Für die Implementierung von Organisation- und FAQPage-Markup finden Sie die vollständigen Schritte in unseren jeweiligen Detailbeiträgen in der Blog-Übersicht; hier geht es um die strategische Einordnung, nicht um das Auszeichnen selbst.
- Organisation – Entitäts-Disambiguierung über
sameAs-Ketten. Wirkt vor allem bei Perplexity und ChatGPT, die keinen eigenen Knowledge Graph haben. Minimalset:name,legalName,url,sameAs. Vorher: Ihr Firmenname ist eine von mehreren möglichen Deutungen. Nachher: ein bestätigter Entitätsknoten. - Article / BlogPosting –
author,dateModified,headline. Wirkt über alle Engines, weil es redaktionellen Inhalt als benannte, datierte Quelle zitierbar macht. Vorher: anonymer Text. Nachher: eine attribuierbare Aussage mit Autor und Aktualitätssignal. - FAQPage – Q&A als atomare Retrieval-Einheiten. Beobachtet bei Perplexity und ChatGPT; auf Googles Oberfläche seit der Abschaltung der FAQ-Rich-Results ohne klassischen SEO-Ertrag. Minimalset: mindestens drei valide Frage-Antwort-Paare, die im sichtbaren HTML stehen.
- Product mit Attributen –
price,availability,aggregateRating. Verbessert die Präzision bei ChatGPT und speist Produkt-Karten bei Perplexity. Nur sinnvoll auf Seiten mit echten Preisdaten. - LocalBusiness –
contactPoint,hoursAvailable,areaServed. Relevant für standortbezogene Anfragen bei ChatGPT und lokale KI-Karten bei Google. Nur einsetzen, wenn Geo-Targeting ein Conversion-Faktor ist.
Entscheidungsmatrix: welcher Typ für welche Engine
Die folgenden Bewertungen bilden die verfügbare Evidenz ab, nicht dokumentierte Plattform-Gewichtungen – die es öffentlich nicht gibt. „Gering“ heißt nicht „nutzlos“, sondern „kein eigenständiger Hebel auf dieser Oberfläche“.
| Schema-Typ | Google AI Overviews | Perplexity | ChatGPT | Claude |
|---|---|---|---|---|
| Organisation | Mittel – Graph oft schon vorhanden | Hoch – Entitäts-Auflösung ohne Google-Graph | Hoch – Bing reicht Entitätstyp weiter | Mittel – liest sichtbaren Text |
| Article / BlogPosting | Mittel – Autor und Aktualität | Mittel – benannte Quelle | Mittel – Attribution | Mittel – Autor-Signal |
| FAQPage | Gering – Rich Results abgeschaltet | Mittel – explizite Passagengrenzen | Mittel – Retrieval-Kandidaten | Gering – kein Nachweis |
| Product (Attribute) | Gering | Mittel – Produkt-Karten | Mittel – Präzision | Gering |
| LocalBusiness | Mittel – lokale KI-Karten | Gering | Mittel – Standort-Anfragen | Gering |
Wenn Ihr Ziel Zitierungen außerhalb von Googles eigener Oberfläche sind, ist strukturierte Daten nicht optional. Sie ist die Entitäts-Registrierungsschicht, auf die sich Nicht-Google-Engines verlassen, weil ihnen Googles Knowledge Graph fehlt.
Umsetzungs-Reihenfolge für B2B- und KMU-Dienstleister
Ich rahme die Schritte bewusst nach Aufwand, nicht nach technischer Komplexität – weil das die Sprache ist, in der eine Entscheidung fällt.
- Organisation-Schema mit
legalName,sameAs,contactPoint,areaServed. Der Entitäts-Anker, auf dem alles andere aufbaut. Aufwand: zwei bis vier Stunden, einmalig. - Article / BlogPosting auf jeder redaktionellen Seite –
author,datePublished,dateModified,headline. Idealerweise als Template, dann trägt es jeder neue Beitrag automatisch. Aufwand: ein halber Tag Template-Arbeit. - FAQPage auf jeder Leistungsseite, die bereits Q&A-Inhalt im HTML hat. Der Inhalt ist schon geschrieben; das Markup ist der einzige fehlende Schritt. Aufwand: rund eine Stunde je Seite.
- LocalBusiness oder
ProfessionalService, falls Geo-Targeting ein Conversion-Faktor ist. Aufwand: ein bis zwei Stunden. - Product / Offer ausschließlich für Seiten mit echten Preisdaten. Ohne belastbare Preise weglassen – falsches Markup gilt als schlechter als gar keins.
Als Startpunkt zum Kopieren – ein minimaler, valider Organisation-Block:
{
„@context“: „https://schema.org“,
„@type“: „Organization“,
„name“: „Muster GmbH“,
„legalName“: „Muster GmbH“,
„url“: „https://muster.de“,
„sameAs“: [
„https://www.linkedin.com/company/muster“,
„https://www.wikidata.org/wiki/Q000“
],
„contactPoint“: {
„@type“: „ContactPoint“,
„contactType“: „customer service“,
„email“: „kontakt@muster.de“
}
}Ein Hinweis zu sameAs: Wikidata ist das wirkungsvollste Ziel, weil es direkt in Googles Knowledge Graph einspeist. Achten Sie darauf, dass Name, kanonische URL und Beschreibung über alle verlinkten Profile identisch sind – sonst zerfällt die Zusammenführung, statt sie zu bestätigen.
Der Citability-Punkt und die Audit-Konsequenz
In einem Satz: Strukturierte Daten verursachen keine KI-Zitierung, aber sie sind die Entitäts-Registrierungsschicht, ohne die Engines außerhalb von Google Ihre Marke gar nicht erst als eindeutige Entität erkennen. Wer nur Googles Oberfläche im Blick hat, kann Schema entspannt als Hygiene behandeln. Wer über ChatGPT, Perplexity und Claude zitiert werden will, kann es nicht.
Daraus folgt eine unbequeme Wahrheit für Audits: Jedes GEO-Audit, das die Zitier-Rate misst, ohne die Schema-Abdeckung zu kontrollieren, misst zwei Variablen gleichzeitig. Eine Seite, die sich nicht als Entität extrahieren lässt, kann nicht zuverlässig zitiert werden – unabhängig von der Inhaltsqualität. Deshalb prüft unser KI-Sichtbarkeits-Audit die Entitäts-Extraktion als eigene Dimension mit klarem Pass/Fail, bevor wir den Zitier-Anteil überhaupt bewerten. Strukturierte Daten sind die Basis-Hygiene, nicht die Kür.
Und weil sich die Antworten der Systeme laufend verschieben – Modellwechsel, abgeschaltete Rich Results, neue Crawler-Verhalten – lässt sich der Effekt nur beobachten, indem man ihn misst. Wir haben Cited genau dafür gebaut: Es verfolgt in Echtzeit, wie ChatGPT, Claude, Perplexity, Gemini und Google AI Overviews eine Marke beschreiben, und macht sichtbar, ob eine Schema-Änderung tatsächlich etwas an der Zitier-Häufigkeit bewegt. Ohne Messung bleibt jede Schema-Diskussion Glaubenssache – und dieser Beitrag existiert, um sie auf Evidenz zu stellen.