Schema.org und Entity-based SEO

Der Unterschied zwischen Keywords, Rich Results und Entitäten

Google verarbeitet Websites seit der Einführung des Knowledge Graph nicht mehr nur als Ansammlung von Zeichenketten, sondern als Netzwerk von Entitäten und deren Beziehungen zueinander. Ein Keyword ist eine reine Zeichenkette. Eine Entität hingegen ist ein eindeutig identifizierbares Objekt: eine Person, eine Organisation, ein Produkt oder ein Ort mit festen Eigenschaften und Verknüpfungen zu anderen Entitäten.

Schema.org-Markup übersetzt Deinen Content in genau diese Struktur. Ein Rich Result (das Sternchen-Rating, das FAQ-Dropdown oder das Rezept-Karussell) war dabei immer nur eine mögliche Anzeigeform, die Google auf Basis dieser Daten optional gerendert hat. Die Entität selbst, also das strukturierte Verständnis, wofür Deine Seite steht, bleibt unabhängig davon bestehen, ob Google sich für eine visuelle Sonderdarstellung entscheidet oder nicht.

Warum das Rich-Result-Jagen der falsche Fokus ist

Die Geschichte von FAQPage zeigt das Muster exemplarisch. Google schränkte die Sichtbarkeit 2023 zunächst auf wenige autoritative Domains ein, entfernte HowTo-Rich-Results im selben Jahr komplett von der Desktop-Suche und zog 2025 sieben weitere strukturierte Datentypen zurück, von Kursinformationen bis zu Fahrzeugangeboten. Die offizielle Begründung war jeweils dieselbe: geringe Nutzung und kein spürbarer Mehrwert für die Nutzer.

Für Deine Website ändert das praktisch wenig, solange Du strukturierte Daten nie primär für die Optik eingebaut hast. Das FAQPage-Markup selbst gilt weiterhin als valider Schema.org-Typ und Google verarbeitet es weiter zum Verständnis der Seite, nur eben ohne die visuelle Sonderdarstellung. Der Fehler liegt darin, Schema.org als SEO-Trick für mehr SERP-Fläche zu behandeln, statt als das, was es ist: eine Datenschicht, die Deine Entität eindeutig macht.

Die Entitäten, die für Unternehmen wirklich zählen

• Organization Schema: Definiert Deine Marke als eindeutige Entität mit Namen, Logo, Adresse und Kontaktdaten. Ohne dieses Markup muss Google Deine Marke aus unstrukturiertem Text erschließen. Mit dem Markup bekommt Google die Fakten direkt.
• Person Schema für Autorenprofile: Verknüpft einen Artikel mit einer realen, identifizierbaren Person statt mit einem anonymen Redaktionskonto. Das ist die technische Umsetzung dessen, was wir im Artikel zu E-E-A-T und Helpful Content unter Trustworthiness bereits inhaltlich gefordert haben.
• Article Schema: Ordnet Blogartikel und Fachbeiträge eindeutig Autor, Veröffentlichungsdatum sowie Themenkategorie zu und stärkt damit die Nachvollziehbarkeit Deiner Inhalte im Zeitverlauf.
• Product und Service Schema: Beschreibt konkrete Leistungen mit Preisen, Verfügbarkeit und Bewertungen, sofern diese Daten real und aktuell gepflegt sind. Veraltete oder erfundene Werte hier sind ein direkter Vertrauensbruch gegenüber Google und Nutzern gleichermaßen.

Wie Google Entitäten intern verknüpft

Google verlässt sich nicht allein auf Dein eigenes Markup. Über die sameAs-Eigenschaft kannst Du Deine Organization- oder Person-Entität explizit mit externen, bereits etablierten Quellen verknüpfen, etwa Deinem Wikidata-Eintrag, LinkedIn-Profil oder Crunchbase-Datensatz. Das reduziert Mehrdeutigkeiten: Google muss nicht raten, welche von mehreren gleichnamigen Organisationen gemeint ist, sondern bekommt eine explizite Referenz.

Konsistenz zählt dabei mehr als Vollständigkeit. Name, Adresse und Kontaktdaten müssen über Website, Google Business Profil, Social-Media-Profile und Branchenverzeichnisse hinweg exakt übereinstimmen. Jede Abweichung verlangsamt oder verhindert die eindeutige Zuordnung Deiner Entität im Knowledge Graph.

Technische Umsetzung: JSON-LD richtig einbinden

Google empfiehlt JSON-LD gegenüber Microdata oder RDFa, weil es als separates Skript-Objekt im Quellcode steht und unabhängig vom sichtbaren HTML gepflegt werden kann. Für die praktische Umsetzung gilt:

• Verknüpfung über @id: Statt jede Entität isoliert zu beschreiben, verknüpfst Du sie über eindeutige @id-Referenzen. Ein Artikel referenziert so seinen Autor und seinen Publisher, statt deren Daten redundant zu wiederholen.
• Build-Time-Generierung in Headless-Setups: In einer modernen Architektur generierst Du das JSON-LD serverseitig oder zur Build-Zeit direkt aus dem Content-Modell, das wir in unserem Leitfaden zu Headless CMS vs. Monolith beschrieben haben. Damit bleibt das Markup automatisch konsistent mit den tatsächlichen Inhaltsfeldern, statt manuell und fehleranfällig gepflegt zu werden.
• Validierung vor dem Go-Live: Der Rich Results Test und der Schema Markup Validator von Schema.org prüfen Syntax und Vollständigkeit. Ein syntaktisch falsches JSON-LD-Objekt wird von Google schlicht ignoriert, ohne Fehlermeldung im laufenden Betrieb.

Was das für AI Overviews und LLM-Zitate bedeutet

Strukturierte Daten gewinnen gerade an einer anderen Front an Bedeutung, völlig unabhängig von klassischen Rich Results. Eine Analyse von Ahrefs aus Februar 2026 zeigt, dass nur etwa 38 Prozent der in Google AI Overviews zitierten Seiten überhaupt in den klassischen Top 10 ranken. Die Signale, die eine Zitation in KI-generierten Antworten auslösen, decken sich also nicht vollständig mit klassischen Ranking-Signalen. Klar strukturierter, eindeutig zuordenbarer Content mit sauberem Entity-Markup gehört zu den Schlüsselfaktoren, die Sprachmodellen beim Extrahieren und Zitieren helfen.

Wie wir das bei uns technisch gelöst haben: KI-gestützte Entity-Pflege in Evolu

Alles bisher Beschriebene ist die Theorie. Die Praxis scheitert in den meisten Content-Management-Systemen an einem einzigen Problem: Jemand muss die Entity-Daten pflegen, für jeden Artikel, jedes Team-Profil, jedes Produkt, dauerhaft. Genau das haben wir in unser eigenes CMS Evolu Analytics eingebaut, nicht als einzelnes Feature für Blogartikel, sondern als durchgängige System-Infrastruktur.

• KI-gestützte GEO-Analyse pro Inhalt: Für jeden Artikel, jede Veranstaltung, jedes Referenzprojekt, jedes Team-Profil, jede Unterkunft und jedes Produkt lässt sich per Klick eine KI-Analyse anstoßen. Sie erzeugt exakt die drei Werte, die für die Zitierfähigkeit in AI Overviews entscheidend sind: eine Hauptaussage (primary claim), eine Liste belastbarer Fakten (key facts) und die Suchanfragen, für die der Inhalt eine Antwort liefert (target queries). Das ist keine einfache Meta-Description-Generierung, sondern strukturierte Entity-Anreicherung.
• Sechs Content-Typen, ein einheitliches System: Diese Anreicherung läuft nicht isoliert für Blogartikel, sondern einheitlich über News, Events, Referenzen, Team-Profile, Unterkünfte und Produkte hinweg über eine gemeinsame Datenschicht. Eine Entität wird bei uns nicht unterschiedlich behandelt, je nachdem in welchem Modul sie liegt.
• KI schlägt vor, Mensch entscheidet: Jedes KI-Ergebnis erscheint als bearbeitbare Karte für SEO, OpenGraph und GEO getrennt, mit eigenem Bearbeiten-Modal. Damit lösen wir genau das Risiko veralteter oder erfundener Werte: Die KI liefert einen präzisen Vorschlag, ein Redakteur bestätigt oder korrigiert ihn, bevor er live geht.
• Person Schema ohne eine Zeile JSON-LD von Hand: Ein Redakteur wählt beim Schreiben eines Artikels lediglich das Team-Mitglied als Autor aus einem Dropdown. Im Hintergrund entsteht daraus automatisch ein vollständiges Person-Schema mit jobTitle, Kurzbiografie, Profil-URL, Bild und sameAs-Verknüpfungen zu den hinterlegten Social-Profilen. Das ist exakt das E-E-A-T-Signal, das moderne Suchmaschinen fordern, ganz ohne manuelle Code-Pflege.
• sameAs zentral gepflegt, überall wirksam: Die Social-Media-Profile eines Unternehmens werden einmal in den Einstellungen hinterlegt und fließen von dort automatisch in jede Organization- und Person-Entität auf der gesamten Website ein. Ändert sich ein Profil-Link, muss er nur an einer Stelle aktualisiert werden.
• Entity-Konsistenz auch über App-Grenzen hinweg: Unser Shopsystem läuft technisch als eigenständige Anwendung, getrennt vom CMS. Trotzdem bekommen auch Produktseiten dieselbe KI-gestützte Entity-Anreicherung wie redaktionelle Inhalte, über eine eigens gebaute, signierte Schnittstelle zwischen beiden Systemen. Entity-based SEO hört bei uns nicht an der Modulgrenze auf.

Der Unterschied zum reinen Theorie-Artikel: Wir müssen nicht hoffen, dass ein Redakteur irgendwann Zeit findet, Schema-Daten von Hand zu pflegen. Das System schlägt sie vor, verknüpft sie korrekt und hält sie über jeden Inhaltstyp hinweg konsistent.

Die wichtigsten Learnings auf einen Blick

• Rich Results sind eine visuelle Option, keine Garantie: Google hat FAQPage, HowTo und mehrere andere Typen bereits zurückgezogen, ohne das zugrunde liegende Schema.org-Markup zu entwerten.
• Der wahre Wert liegt im Wissenstest: Der eigentliche Zweck von Schema.org ist die eindeutige Beschreibung von Entitäten für den Knowledge Graph, nicht die reine SERP-Optik.
• Mehrdeutigkeit reduzieren: sameAs-Verknüpfungen zu externen, etablierten Quellen beschleunigen die eindeutige Zuordnung Deiner Marke im Knowledge Graph.
• Automatisierung in der Architektur: In modernen Web-Architekturen gehört die JSON-LD-Generierung ins Content-Modell, nicht in manuelles Copy-Paste vor dem Go-Live.
• KI-Anreicherung mit Human-in-the-Loop: Wer Entity-Pflege mit KI-Vorschlägen und manueller Freigabe kombiniert, erzielt maximale Konsistenz über beliebig viele Content-Typen hinweg, ganz ohne dauerhaften Pflegeaufwand.