Zuletzt aktualisiert im Juli 2026.
Schema-Markup steht an der lautesten Kreuzung in der GEO-Forschung. Drei Studien haben dieselbe Frage untersucht, unterschiedliche Methoden verwendet und drei verschiedene Schlussfolgerungen gezogen. Bevor du Zeit in einen Schema-Sprint investierst oder strukturierte Daten ganz verwirfst, musst du verstehen, was jede Studie tatsächlich gemessen hat.
Dieser Beitrag behandelt die JSON-LD-Typen, die auf AI-zitierten Seiten am häufigsten beobachtet werden, den Mechanismus hinter jedem einzelnen sowie die drei widersprüchlichen Datenpunkte, die du in jeder Schema-Diskussion des Jahres 2026 antreffen wirst.
Die 7 JSON-LD-Typen, die am stärksten mit AI-Citations verknüpft sind
Die folgende Tabelle ordnet jeden Schema-Typ dem AI-Citation-Mechanismus zu, den er unterstützt, sowie den Engines, bei denen Praktizierende und Forschende ihn am häufigsten beobachten. Dies ist eine Referenzübersicht, keine Rangfolge nach Effektivität.
| Schema-Typ | Was er AI-Engines signalisiert | Engines, bei denen er am häufigsten erscheint | Primärer Anwendungsfall |
|---|---|---|---|
| FAQPage | Strukturierte Frage-Antwort-Paare, die die Engine direkt extrahieren kann, ohne umzuformulieren | Google AI Overviews, Google AI Mode | Seiten, die mehrere verwandte Fragen zu einem Thema beantworten |
| HowTo | Schritt-für-Schritt-Format, das die Engine als nummerierte Antwort reproduzieren kann | Google AI Overviews, Perplexity | Tutorials, Prozessleitfäden, Anleitungen |
| Article / NewsArticle | Autorenidentität, Veröffentlichungsdatum, Thema und redaktioneller Kontext in einem verarbeitbaren Block | ChatGPT (Browsing), Perplexity, Google AI Overviews | Blogbeiträge, redaktionelle Stücke, Branchen-Erklärungen |
| Product | Name, Beschreibung, Preis, Verfügbarkeit und Bewertungsaggregat für einen bestimmten Artikel | Google AI Overviews (kommerzielle Absicht), Microsoft Copilot | Produktdetailseiten, Vergleichsseiten |
| Review / AggregateRating | Glaubwürdigkeitssignale Dritter über Sternebewertungen und Bewertungsanzahl | Google AI Overviews, Microsoft Copilot | Produktrezensionen, Servicebewertungen, Software-Vergleichsseiten |
| BreadcrumbList | Site-Hierarchie-Kontext, der Engines hilft zu verstehen, wo eine Seite relativ zur Domain steht | Google AI Overviews, Gemini | Jeder Seitentyp; unterstützt topische Autoritätssignale |
| SpeakableSpecification | Markiert bestimmte Textpassagen als für Voice und AI-Lesen optimiert, signalisiert, welche Sätze die Kernantwort tragen | Google AI Overviews, Sprachassistenten | Tiefgehende Feature-Seiten, antwortorientierte Inhalte |
Warum der Mechanismus mehr zählt als der Markup-Typ
AI-Engines zitieren Seiten nicht, weil sie Schema haben. Sie zitieren Seiten, weil die Engine entschieden hat, dass der Inhalt die Anfrage des Nutzers am besten beantwortet. Schema hilft einer Engine zu bestätigen, worum es auf einer Seite geht, und den relevanten Abschnitt schneller zu extrahieren. Das ist eine Parsing-Hilfe, kein Ranking-Boost.
Die praktische Konsequenz: Schema hilft am meisten, wenn der Inhalt darunter bereits die beste verfügbare Antwort auf eine bestimmte Frage ist. Schema, das auf schwache, generische oder schlecht strukturierte Inhalte angewendet wird, verwandelt diese Inhalte nicht in eine zitierbare Quelle.
FAQPage-Schema funktioniert, weil es den Inhalt vorab als Liste von Fragen und direkten Antworten formatiert. Googles AI-Systeme können einzelne Q&A-Paare aus einem FAQPage-Block extrahieren und in AI Overviews anzeigen, ohne etwas umzuschreiben. Diese Extraktionseffizienz ist der Mechanismus, keine besondere Präferenz für FAQPage-Inhalte.
HowTo-Schema funktioniert nach demselben Prinzip: Ein nummeriertes Schritt-für-Schritt-Format erlaubt der Engine, die Anweisungssequenz in der generierten Antwort zu reproduzieren. Je präziser das HowTo-Markup die Prosa-Struktur der Seite widerspiegelt, desto einfacher die Extraktion.
Article- und NewsArticle-Schema sind in Kontexten wichtig, in denen die Engine die Glaubwürdigkeit der Quelle bestätigen muss: wer etwas geschrieben hat, wann es veröffentlicht wurde und welche Organisation dahintersteht. Diese Signale zählen mehr für ChatGPT im Browsing-Modus und für Perplexity, die beide Aktualität und Autorenattribution stärker gewichten als Google AI Overviews.
Product- und Review-Schema dominieren in kommerziell ausgerichteten AI Overviews, weil Googles AI-Systeme diese Seiten als Kandidaten für direkte Produktempfehlungen behandeln. Der AggregateRating-Block (Sternebewertung plus Bewertungsanzahl) liefert einen Glaubwürdigkeits-Shortcut, den die Engine beim Generieren von Vergleichsantworten nutzt.
Was die Studien tatsächlich herausgefunden haben
Drei Datenpunkte definieren die aktuelle Debatte. Jeder ist real. Jeder hat wichtige Einschränkungen bezüglich seines Anwendungsbereichs. Hier sind sie nebeneinandergestellt.
1. Die kontrollierte Ahrefs-Studie: kein nennenswerter Effekt (2026)
Ahrefs verfolgte 1.885 Seiten, die zwischen August 2025 und März 2026 JSON-LD-Schema hinzufügten, und stellte sie 4.000 Kontrollseiten gegenüber. Das Ergebnis: Das Hinzufügen von Schema bewirkte keinen statistisch signifikanten Anstieg bei AI-Citations in Google AI Overviews, Google AI Mode oder ChatGPT.
Die konkreten Zahlen: Google AI Overviews zeigte einen leichten Rückgang (etwa -4,6 %). Google AI Mode zeigte +2,4 %. ChatGPT zeigte +2,2 %. Beide positiven Werte waren statistisch nicht von null zu unterscheiden.
Die entscheidende Einschränkung: Jede Seite im Ahrefs-Datensatz hatte vor dem Experiment bereits 100 oder mehr AI-Overview-Citations. Die Studie kann nicht zeigen, ob Schema Seiten mit null Citations hilft. Sie zeigt, dass das Hinzufügen von Schema zu bereits zitierten Seiten das Citation-Volumen nicht zuverlässig erhöht.
Quelle: Ahrefs, “We Tracked 1885 Pages Adding Schema. AI Citations Didn’t Move.” Louise Linehan und Xibeijia Guan, Mai 2026 (ahrefs.com/blog/schema-ai-citations/).
2. Das Kumar-und-Palkhouski-Preprint auf arXiv: +39 % Anstieg (2025)
Ein UC-Berkeley-Preprint von Arlen Kumar und Leanid Palkhouski (arXiv:2509.10762, September 2025) untersuchte 1.100 URLs aus 1.702 Citations, die aus Brave, Google AI Overviews und Perplexity stammten. Die Studie stufte strukturierte Daten als drittstärksten Prädiktor für AI-Citation-Wahrscheinlichkeit ein, mit einer Assoziation von +39 %.
Die beiden stärkeren Prädiktoren in diesem Preprint: Metadaten und Aktualität (+47 %) sowie semantische HTML-Struktur (+42 %).
Die entscheidende Einschränkung: Dies ist eine Korrelationsstudie, kein kontrolliertes Experiment. Sie identifiziert strukturierte Daten als ein Merkmal, das auf zitierten Seiten häufiger vorkommt, nicht als ein Merkmal, das beim Hinzufügen Citation-Gewinne verursacht. Eine Beobachtungsstudie und eine kontrollierte Additions-Studie messen unterschiedliche Dinge.
Quelle: Kumar & Palkhouski, “AI Answer Engine Citation Behavior: An Empirical Analysis of the GEO16 Framework,” arXiv:2509.10762, September 2025.
3. Das siteweite Otterly.AI-Experiment: +1.500 % Sichtbarkeit, dann eine Relativierung (2025-2026)
Nach dem Rollout von fünf Schema-Typen auf der eigenen Website zwischen Dezember 2025 und März 2026 verzeichnete Otterly.AI einen Anstieg der Google-AI-Overviews-Sichtbarkeit um +1.500 % über drei Monate.
Ihre eigene Schlussfolgerung: Der Anstieg wurde nicht durch Schema verursacht. Wettbewerber ohne Schema-Änderungen verzeichneten im gleichen Zeitraum vergleichbare Bewegungen. Otterly.AI führte den Anstieg auf eine breitere algorithmische Verschiebung bei Google zurück, nicht auf den Schema-Rollout. Der Anstieg war zudem Google-spezifisch: Bei ChatGPT, Gemini und Copilot gingen die Citations im gleichen Zeitraum zurück.
Die hier gemessene Kennzahl waren AI-Overviews-SERP-Auftritte, nicht Citations im klassischen Sinne. Dieser Unterschied ist wichtig, wenn man dieses Ergebnis mit der Ahrefs-Citation-Studie vergleicht.
Quelle: Otterly.AI, “Schema Markup’s Real Impact on AI Search” (otterly.ai/blog/schema-markup-real-impact-ai-search/). Thomas Peham präsentierte diese Ergebnisse auch auf der BrightonSEO im April 2026.
Was das für deine Schema-Strategie bedeutet
Die Forschung spricht nicht für das Aufgeben von Schema. Sie spricht dafür, präzise zu sein, was du von Schema erwartest.
Schema als Basissignal. Jede Seite, die plausiblerweise in einem AI Overview erscheinen könnte, sollte korrekt implementiertes Schema für ihren Inhaltstyp haben. Fehlendes Schema ist ein Reibungspunkt, um den AI-Engines herumarbeiten müssen. Diese Reibung ist unnötig.
Schema als Parsing-Hilfe, nicht als Citation-Hebel. Erwarte nicht, dass das Hinzufügen von FAQPage-Markup zu einer Seite, die derzeit null AI-Citations erhält, plötzlich Citations einbringt. Der Inhalt selbst muss zuerst die beste verfügbare Antwort sein.
Der Mechanismus, der wirklich funktioniert. Die Ahrefs-Daten und die Kumar-und-Palkhouski-Korrelation verweisen beide auf dasselbe Grundprinzip: Schema hilft, wenn die Inhaltsstruktur, die es beschreibt, wirklich klar, direkt und fragenantwortend ist. Ein FAQPage-Block, der vage Prosa-Antworten umhüllt, hilft nicht. Ein FAQPage-Block, der vier präzise Q&A-Paare zu einem bestimmten Thema genau beschreibt, gibt der Engine genau das, was sie braucht, um eine Antwort zu extrahieren.
Das Front-of-Page-Signal. Eine separate Analyse von Kevin Indig aus 1,2 Millionen ChatGPT-Antworten ergab, dass 44,2 % der ChatGPT-Citations aus dem ersten 30 % des Seiteninhalts stammten. Dieser Befund ist spezifisch für ChatGPT, nicht für AI-Citations im Allgemeinen, und sollte entsprechend zugeordnet werden. Er verstärkt aber ein konsistentes Muster aus mehreren Studien: Das antwortorientierte Format, bei dem die direkte Reaktion auf die Anfrage oben auf der Seite erscheint, übertrifft Formate, die sich zu einer Schlussfolgerung aufbauen. Schema allein löst kein Seitenstrukturproblem.
Tools, die Schema für AEO übernehmen
Wenn dein Engpass das Generieren und Validieren von Schema in großem Maßstab ist, sind dies die Tools, die Praktizierende in dieser Kategorie verwenden.
Otto SEO prüft bestehende Seiten auf Schema-Lücken und generiert JSON-LD-Blöcke über Site-Bereiche hinweg. Es ist für Teams gebaut, die Schema-Sprints über große Seiteninventare durchführen.
Surfer enthält Schema-Validierung in seinem Content-Editor-Workflow. Wenn du Inhalte in derselben Sitzung schreibst und optimierst, kannst du mit Surfer sicherstellen, dass Schema vorhanden ist, bevor du veröffentlichst.
HubSpot AEO Grader bewertet Seiten auf AEO-Reife, einschließlich strukturierter Daten. Es ist ein nützliches Diagnosetool, wenn du schnell prüfen möchtest, wo Schema auf einer Domain fehlt oder fehlerhaft ist.
Otterly.AI ist erwähnenswert, weil es das detaillierteste öffentliche Schema-Experiment in dieser Kategorie durchgeführt und die Ergebnisse veröffentlicht hat, einschließlich des Teils, in dem Schema das Ergebnis nicht erklärt. Die Otterly.AI-Plattform verfolgt AI-Overviews-Sichtbarkeit im Zeitverlauf, was sie zu einem praktischen Tool macht, um jedes Schema-Experiment zu messen, das du auf deiner eigenen Website durchführst.
Temso deckt den vollständigen AEO-Loop von der Schema-Generierung bis zum Citation-Monitoring ab. Für Teams, die Schema-Implementierung und Citation-Tracking verbinden möchten, ohne das Tool zu wechseln, ist es eine der wenigen Plattformen, die beide Enden des Workflows zu einem einzigen Pauschalpreis abdeckt.
Ein Vergleich dieser und anderer AEO-Plattformen ist unter /rankings/aeo-tools zu finden. Schema-spezifische Bewertungskriterien werden unter /methodology erläutert.
Die praktische Checkliste
Bevor du einen Schema-Sprint mit der Erwartung von Citation-Gewinnen startest, überprüfe Folgendes:
- Dein Inhalt beantwortet die Zielanfrage bereits direkter als die aktuell am häufigsten zitierten Seiten. Schema, das auf schwächere Inhalte angewendet wird, übertrifft keine stärkeren Inhalte ohne Schema.
- Dein Schema-Markup beschreibt die Inhaltsstruktur auf der Seite genau. Ein FAQPage-Block mit Fragen, die nicht zum darunter liegenden Prosa-Q&A passen, ist ein Widerspruch, kein Signal.
- Du hast eine Messbasis. Das Otterly.AI-Experiment ist ein nützliches Modell: Verfolge AI-Overviews-Sichtbarkeit vor, während und nach dem Rollout, und zwar über mindestens zwei konkurrierende Domains, die keine Schema-Änderungen vornehmen, damit du einen Schema-Effekt von einem algorithmischen unterscheiden kannst.
- Du validierst mit dem Rich Results Test von Google vor der Veröffentlichung. Fehlerhaftes JSON-LD kommt häufig genug vor, dass Validierung keine Option ist.
- Du behandelst Schema nicht als Ersatz für eine antwortorientierte Inhaltsstruktur. Das Front-of-Page-Platzierungssignal aus der Indig-ChatGPT-Analyse, der FAQPage-Parsing-Mechanismus und der Ahrefs-Befund zu bereits zitierten Seiten zeigen alle in dieselbe Richtung: Der Inhalt unter dem Markup ist die Variable, die AI-Citation-Raten bewegt.
Das /glossary enthält Definitionen für jeden hier erwähnten Schema-Typ, wenn du präzise Referenzsprache für ein Team-Briefing oder ein Stakeholder-Dokument benötigst.
Schema-Markup ist notwendige Infrastruktur für AEO. Es reicht allein nicht aus, und die Forschung unterstützt derzeit keine saubere kausale Geschichte zwischen dem Hinzufügen von Schema und Citation-Gewinnen. Baue das Markup korrekt auf, baue den Inhalt korrekt auf, und miss vorher und nachher mit einer Vergleichsgruppe. Das ist die ehrliche Version einer Schema-Strategie im Jahr 2026.
Möchtest du sehen, welche AI Overviews du gerade verlierst? Führe ein Citation-Audit unter /rankings/aeo-tools durch, um Tools zu finden, die deine Schema-Abdeckung und AI-Citation-Rate in Google AI Overviews, ChatGPT, Perplexity und anderen Engines gleichzeitig verfolgen.