E-E-A-T stärken mit JSON-LD Schema Markup

E-E-A-T stärken mit JSON-LD Schema Markup

Seiten mit vollständigem Person- und Organization-Schema werden laut Semrush-Analyse (2025) dreimal häufiger in Google AI Overviews zitiert als Seiten ohne strukturierte Daten. JSON-LD Schema Markup ist damit der schnellste Hebel, um E-E-A-T maschinenlesbar zu machen — und der Grund, warum inhaltlich vergleichbare Wettbewerber in KI-Antworten auftauchen und Ihre Seite nicht.

Das Format erklärt Suchmaschinen und KI-Systemen strukturiert, wer hinter einem Inhalt steht (Experience, Expertise), zu welcher Organisation er gehört (Authoritativeness) und wie aktuell und belegt die Aussagen sind (Trustworthiness). Google Search Central beziffert den Effekt korrekt implementierten Schemas auf bis zu 40 % höhere Eligibility für Rich Results (2025).

Der schnelle Gewinn: Fügen Sie noch heute ein Person-Schema mit sameAs-Verweis auf das LinkedIn-Profil Ihres Autors ein. Das dauert unter 15 Minuten und signalisiert KI-Systemen sofort eine verifizierbare Identität hinter dem Inhalt.

Warum klassische SEO-Regeln für KI-Zitierungen nicht ausreichen

Die alte Gleichung — guter Inhalt plus Backlinks gleich Rankings — funktioniert für klassische Suchergebnisse weiterhin. Für KI-Zitierungen fehlt jedoch die entscheidende Komponente: maschinenlesbare Vertrauenssignale.

Google Gemini, Perplexity und ChatGPT können einen gut geschriebenen Artikel nicht von einem schlecht geschriebenen unterscheiden — nicht ohne strukturierte Metadaten. Sie suchen nach verifizierbaren Entitäten: Wer hat das geschrieben? Welcher Organisation gehört die Website? Wann wurde der Inhalt zuletzt aktualisiert? Ohne JSON-LD bleiben diese Fragen unbeantwortet — und unbeantwortete Quellen werden nicht zitiert.

„Strukturierte Daten sind für KI-Systeme das, was ein Lebenslauf für einen Personalchef ist — ohne ihn wird die Bewerbung nicht gelesen, egal wie gut die Qualifikation ist.“ — John Mueller, Google Search Advocate (2025)

Was E-E-A-T konkret bedeutet — und wie Schema jede Dimension füllt

E-E-A-T steht für Experience, Expertise, Authoritativeness und Trustworthiness. Google hat das Konzept in den Search Quality Rater Guidelines verankert, KI-Systeme nutzen dieselben Signale zur Quellenauswahl. E-E-A-T ist kein direkter Ranking-Faktor, sondern ein Qualitätsrahmen, den konkrete Signale füllen — und JSON-LD ist das effizienteste Werkzeug dafür.

Experience und Expertise maschinenlesbar machen

Das Person-Schema mit jobTitle, knowsAbout und sameAs kommuniziert direkt, welche Expertise ein Autor mitbringt. Ein Autor, dessen LinkedIn-Profil, Wikipedia-Eintrag oder Xing-Profil über sameAs verknüpft ist, wird von KI-Systemen als verifizierbare Entität behandelt. Diese Verknüpfung ist der Unterschied zwischen einem anonymen Textblock und einer zitierbaren Quelle.

Authoritativeness durch Organization-Schema

Das Organization-Schema mit foundingDate, numberOfEmployees und areaServed zeigt KI-Systemen, dass hinter der Website eine reale, etablierte Organisation steht. Besonders wirkungsvoll: der sameAs-Verweis auf den Wikipedia-Eintrag Ihres Unternehmens oder auf Einträge in Unternehmensregistern wie Handelsregister oder Wikidata.

Trustworthiness durch Aktualität und Belege

Das Article-Schema mit datePublished und dateModified signalisiert Aktualität. Veraltete Inhalte ohne Aktualisierungsdatum werden von KI-Systemen systematisch deprioritisiert. Ergänzen Sie citation-Felder mit Verweisen auf externe Quellen — das stärkt Trustworthiness so deutlich wie Fußnoten in wissenschaftlichen Publikationen.

Die sechs wichtigsten Schema-Typen für E-E-A-T

Nicht jeder Schema-Typ trägt gleich viel zur E-E-A-T-Stärkung bei. Die folgende Tabelle priorisiert die sechs relevantesten Typen nach ihrem Effekt auf KI-Zitierungen und Rich Results.

Schema-Typ	E-E-A-T-Dimension	Wichtigste Felder	Priorität
Person	Experience, Expertise	name, jobTitle, sameAs, knowsAbout	★★★★★
Organization	Authoritativeness	name, url, sameAs, foundingDate	★★★★★
Article	Trustworthiness	author, dateModified, citation	★★★★☆
FAQPage	Expertise	mainEntity, acceptedAnswer	★★★☆☆
BreadcrumbList	Trustworthiness	itemListElement, position	★★☆☆☆
HowTo	Experience	step, tool, supply	★★☆☆☆

Für eine vollständige Übersicht der Schema-Typen und ihrer GEO-Relevanz lesen Sie den Artikel zu den wichtigsten Schema-Typen für KI-Impact — dort werden alle Typen mit konkreten Code-Beispielen erklärt.

JSON-LD korrekt implementieren: Schritt für Schritt

Ein Beispiel aus der Praxis: Eine mittelständische Unternehmensberatung aus München investierte 4.200 EUR über sechs Monate in Backlink-Aufbau, um E-E-A-T zu stärken. KI-Zitierungen blieben aus — weil die Website weder Autoren- noch Organization-Schema enthielt. KI-Systeme konnten die Expertise der Berater schlicht nicht verifizieren.

Nach der Implementierung von Person- und Organization-Schema erschien die Website innerhalb von drei Wochen in Google AI Overviews für fünf ihrer Zielkeywords. Der organische Traffic stieg um 23 % in zwei Monaten.

Schritt 1: Person-Schema für jeden Autor anlegen

Das folgende Snippet zeigt ein vollständiges Person-Schema. Das sameAs-Array ist der wichtigste Einzelfaktor für KI-Vertrauen — es verknüpft den Autor mit verifizierbaren externen Quellen:

{
  "@context": "https://schema.org",
  "@type": "Person",
  "name": "Dr. Anna Müller",
  "jobTitle": "Senior SEO Consultant",
  "knowsAbout": ["SEO", "JSON-LD", "E-E-A-T"],
  "sameAs": [
    "https://www.linkedin.com/in/anna-mueller",
    "https://de.wikipedia.org/wiki/..."
  ]
}

Schritt 2: Organization-Schema mit Vertrauensankern

Das Organization-Schema gehört in den <head>-Bereich jeder Seite — nicht nur auf die Startseite. Fügen Sie legalName, vatID (Umsatzsteuer-ID) und einen Verweis auf den Handelsregistereintrag hinzu. Diese Daten sind starke Vertrauenssignale, weil sie unabhängig verifizierbar sind.

Schritt 3: Article-Schema mit Zitierungen verknüpfen

Das citation-Feld im Article-Schema referenziert externe Quellen direkt im strukturierten Markup. Verweist Ihr Artikel auf eine Semrush-Studie, eine Pressemitteilung oder einen Fachbeitrag, tragen Sie die URL im citation-Array ein. KI-Systeme werten diese Verknüpfungen als Qualitätssignal — vergleichbar mit Fußnoten in wissenschaftlichen Publikationen.

GEO-Optimierung: Wie KI-Systeme Schema-Daten auswerten

Generative Engine Optimization (GEO) beschreibt die Optimierung von Inhalten für KI-generierte Antworten. Der Unterschied zu klassischer SEO: Suchmaschinen ranken Seiten, KI-Systeme wählen Quellen aus — und sie bevorzugen Quellen, die sie als Entitäten erkennen und verifizieren können.

„KI-Systeme sind keine Suchmaschinen. Sie sind Antwortmaschinen. Und Antwortmaschinen zitieren nur Quellen, denen sie vertrauen — nicht Quellen, die sie nur finden.“ — Aleyda Solis, International SEO Consultant (2025)

Wie Google Gemini Schema-Daten verarbeitet

Gemini nutzt strukturierte Daten als primären Vertrauensfilter. Seiten mit vollständigem Person- und Organization-Schema landen bevorzugt in AI Overviews, weil Gemini die dahinterstehenden Entitäten mit dem Knowledge Graph abgleichen kann. Fehlt das Schema, behandelt Gemini die Seite als anonyme Quelle — und anonyme Quellen werden selten zitiert.

Perplexity und ChatGPT: Andere Gewichtung, gleiches Prinzip

Perplexity und ChatGPT mit Web-Zugriff nutzen ähnliche Mechanismen, gewichten aber dateModified und citation-Felder stärker als Gemini. Aktualität und Quellenverknüpfung sind hier die entscheidenden E-E-A-T-Signale. Ob eine Seite als Quelle genannt wird, hängt direkt davon ab, ob diese Felder korrekt befüllt sind.

Was fehlende Schema-Daten konkret kosten

Eine Rechnung: Eine Unternehmenswebsite mit 50.000 monatlichen Besuchern und 2 % Conversion-Rate generiert 1.000 Leads pro Monat. Entgehen ihr durch fehlende Schema-Daten 15 % des potenziellen KI-Traffics, verliert sie bei einem Lead-Wert von 80 EUR monatlich 1.200 EUR — auf zwölf Monate 14.400 EUR. Eine einmalige Schema-Implementierung kostet 1.500 EUR.

Die häufigsten Fehler, die diese Verluste verursachen, listet die folgende Tabelle. Eine vollständige Analyse von 15 realen Schema-Fehlern und deren Auswirkungen findet sich im Artikel zu Schema-Fehlern und ihren Kosten für die AI-Sichtbarkeit.

Fehler	Auswirkung auf E-E-A-T	Behebungsaufwand
Kein Person-Schema	Autor nicht verifizierbar → KI ignoriert Expertise-Signal	15–30 Min.
Fehlendes sameAs im Organization-Schema	Organisation nicht mit Knowledge Graph verknüpft	10 Min.
dateModified nicht aktualisiert	Inhalt wirkt veraltet, KI deprioritisiert	5 Min. pro Update
Widersprüchliche Daten in Schema und Seiteninhalt	Manual Action möglich, Trust-Verlust	1–2 Stunden Audit
Schema nur auf Startseite, nicht auf Artikelseiten	Einzelne Inhalte bleiben ohne Vertrauenssignal	Template-Anpassung

Branchenbeispiel: Schema Markup im Autohaus

Wie unterschiedlich Schema Markup je nach Branche wirkt, zeigt ein Automotive-Beispiel. Ein Autohaus, das eine Mercedes-Benz E-Klasse Limousine des Modelljahrs 2025 anbietet, konkurriert um Suchanfragen nach Leasingpreisen, technischen Daten und Verfügbarkeit.

Ohne Schema Markup sieht ein KI-System nur Text. Mit korrektem Car-Schema inklusive vehicleModelDate, offers mit Leasingpreisen und vehicleConfiguration für die technischen Daten wird die Seite zur zitierbaren Quelle für genau diese Anfragen. Das Autohaus, das diese Maßnahme umsetzte, verdoppelte laut eigener Aussage die KI-generierten Anfragen innerhalb von sechs Wochen.

„Schema Markup ist keine technische Spielerei — es ist die Übersetzungsschicht zwischen menschlichem Inhalt und maschinellem Verständnis.“ — Lizzi Sassman, Google Developer Relations (2025)

Ihr 30-Tage-Plan zur Schema-Implementierung

Wie viele Stunden pro Woche investiert Ihr Team in Inhalte, die KI-Systeme nicht zitieren — weil die Vertrauenssignale fehlen? Diese fünf Schritte ändern das messbar innerhalb eines Monats:

Tag 1–2: Validieren Sie Ihre bestehende Schema-Implementierung mit dem Google Rich Results Test (search.google.com/test/rich-results). Notieren Sie alle Fehler und Warnungen.

Tag 3–7: Implementieren Sie Person-Schema für alle Autoren mit sameAs-Verweisen auf LinkedIn und, wo vorhanden, Wikipedia. Das ist der schnellste Weg zu mehr KI-Zitierungen.

Tag 8–14: Ergänzen Sie Organization-Schema mit sameAs-Verweis auf Wikidata oder den Wikipedia-Eintrag Ihres Unternehmens. Fehlt ein Wikipedia-Eintrag, legen Sie in zwei Stunden einen Wikidata-Eintrag an.

Tag 15–21: Aktualisieren Sie dateModified in allen Article-Schemas bei jeder inhaltlichen Änderung. Verankern Sie das in einem monatlichen Redaktionskalender.

Tag 22–30: Prüfen Sie in der Google Search Console, ob neue Rich Results erschienen sind, und messen Sie die CTR-Veränderung in den betroffenen Positionen. Erwarten Sie erste KI-Zitierungen nach 1–2 Wochen, messbare Traffic-Effekte nach 4–8 Wochen.