LeventElci.de
Call buchen

Schlagwort: Strukturierte Daten

  • FAQ-Schema 2026 richtig einsetzen

    FAQ-Schema 2026 richtig einsetzen

    Kurz zusammengefasst

    FAQ-Schema strukturiert Frage-Antwort-Inhalte maschinenlesbar nach Schema.org. Google hat die Rich-Result-Darstellung stark eingeschränkt, doch für LLMs bleibt FAQ-Schema wertvoll: Es liefert ChatGPT, Gemini und Perplexity klar abgegrenzte Frage-Antwort-Paare, die sich direkt in generative Antworten übernehmen lassen. Der Nutzen verschiebt sich von Google-Rich-Results hin zur AI-Visibility.

    FAQ-Schema ist ein strukturiertes Datenformat nach Schema.org, das Frage-Antwort-Inhalte auf einer Seite maschinenlesbar auszeichnet. Es markiert jede Frage und die zugehörige Antwort als FAQPage mit Question- und Answer-Elementen. 2026 hat sich sein Nutzen verschoben: weg von Google-Rich-Results, hin zur Verwertbarkeit durch Sprachmodelle.

    Vom Inhalt zur Citation
    Wie FAQ-Schema in LLM-Antworten landet
    Sichtbarer Inhalt
    Echte Frage-Antwort-Paare auf der Seite
    →
    FAQ-Schema
    JSON-LD-Markup grenzt Q&A klar ab
    →
    LLM übernimmt
    Modell findet fertige Antwort-Einheit
    →
    Citation
    Marke wird in der Antwort zitiert

    Was ist FAQ-Schema

    FAQ-Schema ist eine spezifische Schema.org-Auszeichnung für Seiten mit Frage-Antwort-Inhalten. Es nutzt den Typ FAQPage, der mehrere Question-Elemente enthält, von denen jedes eine acceptedAnswer hat. Diese Struktur macht die Frage-Antwort-Paare für Maschinen eindeutig erkennbar, getrennt vom restlichen Seiteninhalt.

    Eingebunden wird FAQ-Schema in der Regel als JSON-LD-Block im head-Bereich der Seite. In WordPress generieren SEO-Plugins wie Rank Math oder spezielle FAQ-Blöcke dieses Markup automatisch. Manuell lässt es sich ebenfalls einbinden, erfordert aber sorgfältige Validierung.

    Wichtig ist, dass die ausgezeichneten Fragen und Antworten auch sichtbar auf der Seite stehen. FAQ-Schema beschreibt vorhandenen Inhalt, es erzeugt keinen versteckten. Markup ohne sichtbare Entsprechung verstößt gegen die Google-Richtlinien.

    Funktioniert FAQ-Schema 2026 noch

    FAQ-Schema funktioniert technisch weiterhin, aber Google zeigt die FAQ-Rich-Results in den Suchergebnissen nur noch sehr eingeschränkt an, meist nur für staatliche und gesundheitsbezogene Websites. Der klassische Vorteil erweiterter SERP-Darstellung ist für die meisten Sites entfallen. Der Wert hat sich verlagert.

    Der neue Wert liegt in der AI-Visibility. Sprachmodelle nutzen klar strukturierte Frage-Antwort-Paare gern als Quelle, weil sie direkt in eine generative Antwort übernommen werden können. Eine sauber ausgezeichnete FAQPage liefert ChatGPT, Gemini und Perplexity fertige Antwort-Bausteine.

    Wer FAQ-Schema heute einsetzt, sollte die Erwartung anpassen: Es geht nicht mehr um auffällige Google-Snippets, sondern um maschinenlesbare Antwort-Häppchen für LLMs. Unter dieser Perspektive ist FAQ-Schema weiterhin sinnvoll, besonders auf Service- und Ratgeber-Seiten.

    Wichtiger Hinweis

    Setze FAQ-Schema nur für echte, hilfreiche Fragen ein, nicht um Keywords zu stopfen. Künstliche oder werbliche Fragen, die nur dem Markup dienen, bringen weder bei Google noch bei LLMs einen Vorteil und können das Vertrauen senken. Die Fragen sollten echte Nutzerfragen sein, die Antworten sollten sie tatsächlich beantworten.

    Wie strukturierst du gute FAQ-Inhalte

    Gute FAQ-Inhalte bestehen aus echten Nutzerfragen und prägnanten, vollständigen Antworten. Jede Frage sollte eine eigenständige Suchanfrage abbilden, jede Antwort sollte sie in zwei bis vier Sätzen klar beantworten. Diese Struktur ist sowohl für Nutzer hilfreich als auch für LLMs ideal verwertbar.

    Die Fragen formulierst du so, wie Nutzer sie tatsächlich stellen, idealfalls als vollständige W-Fragen. Statt eines Stichworts wie Kosten besser die ganze Frage Was kostet die Leistung. Diese natürliche Frageform entspricht dem, wonach Menschen in ChatGPT und in der Suche fragen.

    Die Antworten beginnen direkt mit der Kernaussage, ohne Einleitung. Ein Sprachmodell, das die Antwort übernimmt, braucht die Information sofort. Eine Antwort, die mit der eigentlichen Aussage startet und sie dann kurz erläutert, ist optimal für die Übernahme in generative Antworten.

    So sieht ein gutes FAQ-Paar aus
    Was kostet AI-Visibility-Aufbau in Deutschland?
    Professionelle AI-Visibility-Betreuung kostet 2026 zwischen 1.500 und 8.000 Euro pro Monat. Ein Einstiegsprogramm mit vier Citations pro Monat plus Tracking liegt bei rund 2.500 Euro.

    Wie schnell wirkt AI-Visibility-Arbeit?
    Erste messbare Effekte zeigen sich nach 8 bis 16 Wochen. Perplexity reagiert mit Live-Retrieval am schnellsten, ChatGPT und Gemini brauchen wegen des Index-Refresh länger.

    Wie hilft FAQ-Schema bei der AI-Visibility

    FAQ-Schema hilft bei der AI-Visibility, indem es Sprachmodellen klar abgegrenzte Frage-Antwort-Paare liefert. Wenn ein Nutzer eine Frage stellt, die einer ausgezeichneten FAQ entspricht, kann das Modell die strukturierte Antwort direkt finden und übernehmen. Das erhöht die Wahrscheinlichkeit, als Quelle zitiert zu werden.

    Der Mechanismus funktioniert besonders bei Retrieval-basierten Systemen wie Perplexity, die das Live-Web durchsuchen. Eine Seite mit sauber strukturierten FAQ-Paaren bietet diesen Systemen fertige, eindeutige Antworten. Das ist für ein Modell einfacher zu verwerten als eine Information, die im Fließtext versteckt ist.

    Auch für die klassische Antwort-Generierung in ChatGPT und Gemini ist die klare Struktur ein Vorteil. Frage-Antwort-Paare entsprechen dem Format, in dem diese Modelle Wissen verarbeiten und ausgeben. Wer seine Inhalte in dieses Format bringt, spricht die Sprache der LLMs.

    Expert Insight

    Aus der Content-Praxis zeigt sich: Seiten, die ihre Kerninformationen zusätzlich als sauber strukturierte FAQ aufbereiten, werden in Perplexity-Antworten häufiger als Quelle zitiert als reine Fließtext-Seiten zum selben Thema. Der Grund ist die Verwertbarkeit. Ein klar abgegrenztes Frage-Antwort-Paar ist für ein Retrieval-System die ideale Antworteinheit. Die Rich-Result-Funktion bei Google ist tot, die AI-Verwertbarkeit lebt.

    Wo solltest du FAQ-Schema einsetzen

    FAQ-Schema eignet sich für Service-Seiten, Produktseiten, Ratgeber-Artikel und Support-Bereiche, also überall dort, wo echte Nutzerfragen sinnvoll beantwortet werden. Es eignet sich nicht für jede Seite, sondern dort, wo Frage-Antwort-Inhalte natürlich entstehen und einen echten Mehrwert bieten.

    Auf Service-Seiten beantwortet FAQ-Schema typische Vorab-Fragen potenzieller Kunden, etwa zu Ablauf, Kosten oder Voraussetzungen. Auf Ratgeber-Seiten ergänzt es den Hauptinhalt um schnell erfassbare Antworten auf Detailfragen. Beide Anwendungen sind sowohl für Nutzer als auch für LLMs wertvoll.

    Nicht sinnvoll ist FAQ-Schema auf reinen Übersichts- oder Kategorieseiten ohne echte Fragen oder als künstliches Anhängsel, das nur dem Markup dient. Die Faustregel: Wenn die FAQ dem Nutzer hilft, hilft sie auch der Maschine. Wenn sie nur fürs Markup existiert, bringt sie nichts.

    Meine Einschätzung

    FAQ-Schema ist ein gutes Beispiel dafür, wie sich der Wert einer Technik verschiebt. Früher ging es um auffällige Google-Snippets, heute um die Verwertbarkeit durch LLMs. Mein Rat: Bau auf deinen wichtigsten Service- und Ratgeber-Seiten echte FAQ-Blöcke mit natürlichen Fragen und prägnanten Antworten, und zeichne sie mit FAQ-Schema aus. Nicht für Google-Snippets, sondern weil du damit ChatGPT und Perplexity fertige Antwort-Bausteine lieferst. Das ist günstige, wirksame AI-Visibility-Arbeit.

    Das könnte dich auch interessieren
    Das Wichtigste in Kürze

    • FAQ-Schema zeichnet Frage-Antwort-Inhalte maschinenlesbar nach Schema.org aus.
    • Google zeigt FAQ-Rich-Results nur noch sehr eingeschränkt an.
    • Der neue Wert liegt in der Verwertbarkeit durch ChatGPT, Gemini und Perplexity.
    • Echte Nutzerfragen mit prägnanten, direkt startenden Antworten verwenden.
    • Ideal für Service-, Produkt- und Ratgeber-Seiten, nicht für jede Seite.

    Quellen

    • Schema.org: FAQPage Specification, 2026
    • Google Search Central: FAQ Structured Data Guidelines, 2026
    • Search Engine Land: The State of FAQ Rich Results, 2026
    • Ahrefs Blog: Structured Data for AI Search, 2026
    Levent Elci
    Geschrieben von
    Levent Elci
    AI-Visibility & Offpage SEO für DACH-Unternehmen

    Seit 2014 baut Levent organische Sichtbarkeit für Marken auf. Heute mit Fokus auf Generative Engine Optimization, Brand-Mentions in ChatGPT, Gemini und Perplexity sowie redaktionelle Citation-Strategien. Operativ verantwortet er ein Portfolio von 165 WordPress-Sites.



    LinkedIn-Profil ansehen

  • Schema.org und JSON-LD für ChatGPT, Gemini und Perplexity

    Schema.org und JSON-LD für ChatGPT, Gemini und Perplexity

    Kurz zusammengefasst

    JSON-LD ist das von Google empfohlene Format für strukturierte Daten. Es beschreibt Inhalte maschinenlesbar über Schema.org-Typen wie Organization, Article und FAQPage. Für ChatGPT, Gemini und Perplexity hilft es, Entitäten klar abzugrenzen und Inhalte korrekt zuzuordnen. JSON-LD ist kein direkter Ranking-Boost, aber ein wichtiges Klarstellungs-Werkzeug für die maschinelle Interpretation.

    JSON-LD steht für JavaScript Object Notation for Linked Data und ist das von Google bevorzugte Format, um strukturierte Daten in eine Website einzubetten. Es nutzt das Schema.org-Vokabular, um Suchmaschinen und Sprachmodellen zu erklären, worum es auf einer Seite geht. Anders als sichtbarer Text richtet sich JSON-LD ausschließlich an Maschinen.

    Organization

    Die Marke

    Name, Logo, Website und sameAs-Profile. Grenzt die Marke eindeutig von anderen ab.

    Article

    Der Beitrag

    Autor, Datum, Herausgeber. Macht E-E-A-T-Signale der Autorenschaft maschinenlesbar.

    FAQPage

    Frage & Antwort

    Strukturiert FAQ-Inhalte. Hilft Suchmaschinen und LLMs, direkte Antworten zu extrahieren.

    Person

    Der Autor

    jobTitle, knowsAbout, hasCredential, sameAs. Verknüpft mit dem Article-Schema.

    BreadcrumbList

    Die Navigation

    Bildet die Seitenhierarchie ab und hilft bei der kontextuellen Einordnung.

    WebSite

    Die Site

    Definiert die Website als Entität, oft mit SearchAction für die interne Suche.

    Was ist JSON-LD genau

    JSON-LD ist ein Format, das strukturierte Informationen als JSON-Objekt in den Quellcode einer Seite einbettet, meist im head-Bereich oder am Seitenende. Es beschreibt Entitäten und ihre Eigenschaften nach dem Schema.org-Standard. Ein Sprachmodell oder eine Suchmaschine kann diese Angaben direkt auslesen, ohne den Fließtext interpretieren zu müssen.

    Der Vorteil von JSON-LD gegenüber älteren Formaten wie Microdata oder RDFa liegt in der Trennung von Inhalt und Markup. Das Markup steht in einem eigenen script-Block und ist nicht mit dem HTML verwoben. Das macht es einfacher zu pflegen, weniger fehleranfällig und entspricht der offiziellen Google-Empfehlung.

    Ein typisches JSON-LD-Objekt enthält den Kontext (schema.org), einen Typ (etwa Article oder Organization) und eine Reihe von Eigenschaften. Diese Struktur ist standardisiert, sodass jede Suchmaschine und jedes Sprachmodell sie identisch interpretiert.

    Welche Schema-Typen sind für AI-Visibility relevant

    Die drei wichtigsten Schema-Typen für AI-Visibility sind Organization, Article und FAQPage. Organization beschreibt die Marke als Entität, Article jeden einzelnen Beitrag, FAQPage strukturiert Frage-Antwort-Inhalte. Ergänzend sind Person für Autoren und BreadcrumbList für die Navigation wertvoll.

    Organization-Schema ist die Basis. Es definiert den Markennamen, die Website, das Logo und über sameAs die offiziellen Profile auf anderen Plattformen. Damit grenzt es die Marke eindeutig von ähnlich benannten Entitäten ab. Für LLMs ist diese klare Abgrenzung entscheidend, um Verwechslungen zu vermeiden.

    Article-Schema verbindet jeden Beitrag mit seinem Autor, dem Veröffentlichungs- und Aktualisierungsdatum und dem Herausgeber. Die Verbindung zum Person-Schema des Autors ist dabei zentral, weil sie das E-E-A-T-Signal der Autorenschaft maschinenlesbar macht.

    Wichtiger Hinweis

    Strukturierte Daten müssen den tatsächlichen Seiteninhalt widerspiegeln. Markup, das Informationen behauptet, die für den Nutzer nicht sichtbar sind, verstößt gegen die Google-Richtlinien und kann zu manuellen Maßnahmen führen. JSON-LD beschreibt, was auf der Seite steht, es erfindet nichts hinzu.

    Wie bettest du JSON-LD korrekt ein

    JSON-LD wird als script-Block mit dem Typ application/ld+json in den HTML-Code eingebettet, idealerweise im head-Bereich. Pro Seite können mehrere Blöcke existieren, etwa einer für Organization, einer für Article und einer für FAQPage. In WordPress übernehmen Plugins wie Rank Math oder Yoast die Generierung automatisch.

    Der manuelle Weg ist nur für Spezialfälle nötig. Die meisten WordPress-Sites generieren ihr Schema über das SEO-Plugin. Wichtig ist, das Markup nach der Einbindung zu validieren, um Fehler auszuschließen. Ein fehlerhaftes Schema wird ignoriert und bringt keinen Nutzen.

    Die Validierung läuft über den Schema-Markup-Validator von Schema.org oder den Rich-Results-Test von Google. Beide zeigen, ob das Markup korrekt geparst wird und welche Eigenschaften erkannt werden. Ein sauberer Durchlauf ohne Fehler oder Warnungen ist das Ziel.

    organization.json
    // Organization-Schema, eingebettet im <head>
{
  "@context": "https://schema.org",
  "@type": "Organization",
  "name": "Levent Elci",
  "url": "https://leventelci.de",
  "logo": "https://leventelci.de/logo.png",
  "sameAs": [
    "https://www.linkedin.com/in/levent-elci-solutions/"
  ],
  "knowsAbout": [
    "AI-Visibility", "Generative Engine Optimization",
    "Brand Mentions", "Offpage SEO"
  ]
}

    Nutzen LLMs strukturierte Daten überhaupt

    LLMs nutzen strukturierte Daten indirekt. Sie lesen primär den sichtbaren Text, aber JSON-LD hilft bei der Entitäts-Klarstellung und der korrekten Zuordnung von Autor, Datum und Herausgeber. Google hat klargestellt, dass für die generative Suche keine speziellen AI-Markups nötig sind, das bestehende Schema reicht.

    Der praktische Wert liegt in der Eindeutigkeit. Wenn ein Modell unsicher ist, ob eine Information aktuell oder von einem qualifizierten Autor stammt, liefert das Schema die Antwort. Das Article-Schema mit datePublished und author macht diese Signale maschinenlesbar, statt sie im Fließtext suchen zu müssen.

    Wichtig ist die richtige Erwartung: JSON-LD ist kein Wundermittel und kein direkter Ranking-Faktor. Es ist ein unterstützendes Klarstellungs-Werkzeug. Wer es korrekt einsetzt, gewinnt Eindeutigkeit. Wer es weglässt, verliert nicht alles, aber lässt eine einfache Optimierung liegen.

    Expert Insight

    In der Praxis über viele Domains zeigt sich: Der größte Hebel von JSON-LD liegt nicht in Rich Results, sondern in der sauberen Entitäts-Abgrenzung. Sites mit vollständigem Organization-Schema und korrekt verknüpftem Person-Schema für Autoren werden in LLM-Antworten zuverlässiger der richtigen Marke und dem richtigen Autor zugeordnet. Bei mehrdeutigen Markennamen ist das der Unterschied zwischen korrekter Empfehlung und Verwechslung.

    Welche Fehler treten bei JSON-LD häufig auf

    Die häufigsten Fehler sind fehlende Pflichtfelder, Markup ohne sichtbare Entsprechung im Inhalt, fehlerhafte Verschachtelung und veraltete Schema-Typen. Auch die fehlende Verbindung zwischen Article und Person ist verbreitet. Diese Fehler führen dazu, dass das Schema ignoriert wird oder Warnungen erzeugt.

    Ein verbreiteter Fehler ist doppeltes oder widersprüchliches Markup, etwa wenn zwei Plugins gleichzeitig Schema generieren. Das verwirrt die Parser und sollte vermieden werden. Pro Seite sollte es genau eine konsistente Schema-Struktur geben, idealerweise aus einer einzigen Quelle.

    Veraltete Typen wie das frühere FAQ-Rich-Result, das Google in seiner Darstellung eingeschränkt hat, sind ein weiterer Stolperstein. Schema-Typen ändern in ihrer Darstellung über die Zeit. Es lohnt sich, die aktuelle Google-Dokumentation zu prüfen, bevor man auf einen bestimmten Rich-Result-Effekt setzt.

    Meine Einschätzung

    JSON-LD ist eine der einfachsten Optimierungen mit gutem Verhältnis von Aufwand zu Wirkung. In WordPress generiert Rank Math das Basis-Schema fast automatisch, der manuelle Aufwand ist gering. Mein Rat: Sorge für vollständiges Organization-Schema mit sameAs zu allen Profilen, verknüpfe jeden Artikel mit einem echten Person-Schema, und validiere einmal sauber. Das ist Pflichthygiene, kein Hexenwerk, und es zahlt sich bei der maschinellen Interpretation deiner Marke aus.

    Das könnte dich auch interessieren
    Das Wichtigste in Kürze

    • JSON-LD ist das von Google empfohlene Format für strukturierte Daten nach Schema.org.
    • Wichtigste Typen für AI-Visibility: Organization, Article, FAQPage, Person.
    • Es ist kein Ranking-Boost, sondern ein Klarstellungs-Werkzeug für Maschinen.
    • Der größte Nutzen liegt in der eindeutigen Entitäts-Abgrenzung der Marke.
    • Immer validieren und Markup nur für tatsächlich sichtbare Inhalte verwenden.

    Quellen

    • Google Search Central: Einführung in strukturierte Daten, 2026
    • Schema.org: Organization, Article, FAQPage Specifications, 2026
    • Google: Rich Results Test und Structured Data Guidelines, 2026
    • Rank Math: Schema Generator Documentation, 2026
    Levent Elci
    Geschrieben von
    Levent Elci
    AI-Visibility & Offpage SEO für DACH-Unternehmen

    Seit 2014 baut Levent organische Sichtbarkeit für Marken auf. Heute mit Fokus auf Generative Engine Optimization, Brand-Mentions in ChatGPT, Gemini und Perplexity sowie redaktionelle Citation-Strategien. Operativ verantwortet er ein Portfolio von 165 WordPress-Sites.



    LinkedIn-Profil ansehen