Schema.org strukturierte Daten: die Grundlagen verstehen

Schema.org ist ein standardisiertes Vokabular, mit dem sich im Code einer Seite präzise, eindeutige Fakten beschreiben lassen: ein Preis, eine durchschnittliche Bewertung, ein Autor, ein Veröffentlichungsdatum. Diese strukturierten Daten liefern Suchmaschinen und KIs Informationen, die sie nicht mehr aus Fließtext ableiten müssen.

Was Schema.org-Markup ist

Schema.org ist ein gemeinsames Vokabular, das von Google, Microsoft, Yahoo und Yandex gemeinsam gepflegt wird und Entitätstypen (Product, Article, Organization, FAQPage ...) sowie deren Eigenschaften (price, author, datePublished ...) definiert. Dieses Vokabular lässt sich im HTML über mehrere Syntaxen ausdrücken, wobei JSON-LD heute die am weitesten verbreitete ist: ein Block strukturierter Daten im JSON-Format, eingebettet in ein <script>-Tag, getrennt vom sichtbaren Inhalt der Seite.

Zwei weitere Syntaxen existieren — Microdata und RDFa —, die direkt in die Attribute der sichtbaren HTML-Tags eingefügt werden, statt in einen separaten Block. JSON-LD hat sich als die von den meisten Suchmaschinen empfohlene Syntax durchgesetzt, vor allem weil es hinzugefügt, geändert oder entfernt werden kann, ohne das sichtbare HTML der Seite anzufassen — was die Wartung über die Zeit erheblich vereinfacht.

<script type="application/ld+json">
{
  "@context": "https://schema.org",
  "@type": "Article",
  "headline": "Schema.org strukturierte Daten verstehen",
  "author": {
    "@type": "Organization",
    "name": "Vurto"
  },
  "datePublished": "2026-01-15"
}
</script>

Warum es KIs eindeutige Fakten liefert

Ein in natürlicher Sprache verfasster Text kann mehrdeutig sein oder Interpretation erfordern: "ab 49 €" kann einen monatlichen Preis, einen Jahrespreis oder ein befristetes Werbeangebot bezeichnen. Eine KI, die diesen Preis extrahieren muss, um eine Frage zu beantworten, muss dann den Kontext interpretieren — mit Fehlerrisiko. Dasselbe Problem stellt sich bei einem ausgeschriebenen Datum ("am 15. Januar" ohne Angabe des Jahres) oder bei einer qualitativen Bewertung ("sehr gut bewertet" ohne Zahlenwert): Informationen, die ein Mensch dank des Kontexts mühelos interpretiert, eine Maschine aber erraten muss. Derselbe Preis, in Schema.org ausgezeichnet, beseitigt diese Mehrdeutigkeit:

"offers": {
  "@type": "Offer",
  "price": "49.00",
  "priceCurrency": "EUR"
}

Hier ist die Angabe strukturiert, typisiert und lässt keinen Interpretationsspielraum. Genau diese Art von Klarheit suchen generative KIs, wenn sie einen präzisen Fakt zitieren müssen (Preis, Bewertung, Verfügbarkeit, Datum), statt eine Textpassage umzuformulieren.

Wie es konkret funktioniert

Das Prinzip beruht auf drei Elementen: einem Typ (@type, z. B. Product, Article, FAQPage), der die Art der beschriebenen Entität angibt, Eigenschaften (name, price, author, review ...), die ihre Attribute beschreiben, und einem Kontext (@context, fast immer https://schema.org), der angibt, welches Vokabular verwendet wird. Dieses Dreiergespann ermöglicht es jedem System, das das Schema.org-Vokabular versteht, die Daten strikt identisch und ohne Lesarten-Ambiguität zu interpretieren.

Was Schema.org nicht leistet

Strukturiertes Markup ersetzt keinen hochwertigen Inhalt und verbessert nicht künstlich das Ranking einer Seite, deren tatsächlicher Inhalt dürftig oder irreführend ist. Es garantiert auch nicht das Erscheinen von Rich Snippets in den Suchergebnissen: Diese hängen von zusätzlichen Kriterien und suchmaschinenspezifischen Entscheidungen ab. Die Aufgabe von Schema.org besteht darin, bereits vorhandene und zutreffende Informationen auf der Seite explizit zu machen — niemals darin, Daten anzugeben, die nicht dem sichtbaren Inhalt entsprechen, eine Praxis, die Suchmaschinen bei Entdeckung abstrafen.

Diese Unterscheidung sollte vor der Implementierung verinnerlicht werden: Schema.org beschleunigt und macht das Lesen eines bereits soliden Inhalts zuverlässiger, es kompensiert aber niemals das Fehlen dieses Inhalts. Eine Website, die ein aufwendiges AggregateRating-Markup auf einer Seite ohne echte Kundenbewertungen platziert, ginge ein Abstrafungsrisiko ein, das den erhofften Nutzen bei Weitem übersteigt.

Der Zusammenhang mit Entitäten und Wissensgraphen

Über isolierte Fakten (einen Preis, ein Datum) hinaus hilft Schema.org auch dabei, Entitäten und die Beziehungen zwischen ihnen zu definieren: welche Organization Autor welches Article ist, welches Product zu welcher Brand gehört, welche Seite zu welcher BreadcrumbList gehört. Dieses Netz expliziter Beziehungen bringt Ihren Inhalt näher an die Funktionsweise der Wissensgraphen heran, die Suchmaschinen und manche KIs im Hintergrund aufbauen, um Entitäten, Marken und Themen miteinander zu verknüpfen. Eine Website, deren Entitäten klar identifiziert und über Schema.org miteinander verknüpft sind, erleichtert diese Verknüpfungsarbeit, statt die Suchmaschine diese Zusammenhänge allein aus dem Text ableiten zu lassen.

Auf dem Weg zur Implementierung

Das Prinzip zu verstehen ist der erste Schritt; es konkret umzusetzen — welche Typen priorisieren, wie das JSON-LD strukturieren, wie es validieren — ist Thema der nächsten Lektion zur Implementierung von Schema.org-Strukturdaten. Diese faktische Klarheit knüpft auch an ein zentrales Thema des nächsten Moduls an: wie Zitate, Zahlen und Belege die Glaubwürdigkeit eines Inhalts in den Augen einer KI stärken, sowie die E-E-A-T-Signale, die teilweise davon abhängen.