Verbessert Schema Markup KI-Citations?

Die Studienlage ist widersprüchlich. Eine Ahrefs-Studie mit 1.885 Seiten fand nach dem Hinzufügen von JSON-LD-Schema keinen nennenswerten Anstieg bei KI-Citations. Ein arXiv-Preprint der UC Berkeley (Kumar & Palkhouski, 2025) ermittelte, dass Structured Data der drittsstärkste Prädiktor für KI-Citations war, verbunden mit einem Anstieg von rund +39 %. Schema hilft Crawlern mit hoher Wahrscheinlichkeit dabei, deine Inhalte korrekt zu parsen, auch wenn der direkte Einfluss auf Citations unklar bleibt.

Was macht llms.txt eigentlich?

llms.txt ist eine Klartextdatei, die du im Root-Verzeichnis deiner Domain ablegst. Sie listet die URLs und Inhaltsbeschreibungen auf, die KI-Crawler bevorzugt besuchen sollen. Sie blockiert keine Crawler (das ist robots.txt) und erzeugt keine strukturierten Daten (das ist Schema). Sie ist eine Kurationsstufe: Du teilst KI-Systemen mit, welche Seiten deine besten Inhalte repräsentieren. Die Verbreitung lag Mitte 2025 unter 1 % der Top-1.000-Websites, llms.txt ist also ein aufstrebendes Signal, kein bewährter Citation-Treiber.

Ersetzt llms.txt das Schema Markup?

Nein. Beide operieren auf unterschiedlichen Ebenen. Schema Markup erklärt einem Crawler, wie er den bereits gefundenen Inhalt interpretieren soll. Llms.txt sagt einem KI-Crawler, welche URLs überhaupt einen Besuch wert sind. Du kannst beides, eines von beidem oder keines nutzen. Schema zu entfernen, weil du llms.txt hinzugefügt hast, wäre so, als würdest du dein Inhaltsverzeichnis wegwerfen, weil du ein Schild an der Eingangstür angebracht hast.

Welche Tools helfen bei technischem AEO über alle drei Taktiken hinweg?

Kein einzelnes Tool deckt alle drei gleich gut ab. Für Schema-Generierung und -Validierung binden Otto SEO und Surfer Structured Data in ihre breiteren Workflows ein. Für Entity Monitoring und Knowledge-Graph-Konsistenz ist Knowatoa auf die Nachverfolgung spezialisiert, wie KI-Engines deine Marke repräsentieren. Für vollständiges AEO-Monitoring, das Schema, Citations und Content-Fixes in einer Plattform vereint, decken Temso und Writesonic sowohl Umsetzung als auch Tracking ab. Für llms.txt gibt es noch keine dedizierte Toolkategorie; es ist eine Datei, die du manuell oder über einen Entwickler-Workflow erstellst und pflegst.

Schema Markup vs llms.txt vs Entity Optimization: Drei technische AEO-Taktiken mit völlig unterschiedlichen Aufgaben

Q: Was ist Entity Optimization für die KI-Suche?

Entity Optimization ist der Prozess, durch den deine Marke, deine Produkte und deine wichtigsten Aussagen als eindeutige, konsistente Entitäten in den Wissenssystemen erkennbar werden, auf die KI-Engines zurückgreifen. Für Gemini bedeutet das, im Google Knowledge Graph präsent und konsistent zu sein. Für ChatGPT bedeutet es, häufig und konsistent in autoritativen Drittquellen erwähnt zu werden. Konsistenz über die eigene Website und verdiente Medien hinweg stärkt das Signal, dass du eine echte, zitierbare Entität bist und kein anonymes Dokument.

Q: Welche der drei Taktiken hat die stärkste Evidenz?

Entity Optimization hat die klarste Richtungsunterstützung. Das arXiv-Preprint der UC Berkeley ermittelte Structured Data als drittsstärksten Prädiktor für KI-Citations, hinter Metadaten-Aktualität und semantischem HTML. Die Ahrefs-Markenstudie ergab, dass Marken im obersten Quartil nach Web-Erwähnungen im Schnitt mehr als zehnmal so viele AI Overview-Einblendungen hatten wie das nächste Quartil. Schema hat eine widersprüchliche Evidenzlage. Llms.txt hat die schwächste Datenbasis, weil es die jüngste Taktik ist und die Verbreitung noch minimal ist.

Zuletzt aktualisiert: Juli 2026

Wenn jemand sagt „mach das technische AEO-Zeug”, meint er damit meist alle drei Taktiken gleichzeitig. Das ist ein Fehler. Jede Taktik adressiert einen anderen Engpass. Wer sie vermischt, verschwendet Aufwand und macht manchmal kontraproduktive Züge, etwa Schema zu entfernen, weil man glaubt, llms.txt ersetze es.

Dieser Artikel entwirrt die drei Taktiken. Für jede gibt es eine klare Definition, eine ehrliche Einschätzung der Wirksamkeit und einen Hinweis, wo die Forschungslage noch widersprüchlich ist.

Auf einen Blick

Taktik	Was sie behebt	Was sie NICHT tut	Stärkstes Beweis-Signal	Aufwand
Schema Markup (JSON-LD)	Parse-Fehler: Crawler interpretieren Content-Typ, Entity-Typ oder Q&A-Struktur falsch	Citations allein antreiben; Content-Qualität ersetzen	Widersprüchlich (siehe Evidenz-Box unten)	Mittel: Entwicklerzeit oder ein Schema-Tool
llms.txt	Crawler-Priorisierung: KI-Bots verschwenden Crawl-Budget auf Seiten mit geringem Wert	Crawler blockieren; Structured Data erzeugen; Entity-Identität signalisieren	Aufkommend; noch keine kontrollierte Studie	Niedrig: eine statische Datei
Entity Optimization	Knowledge-Graph-Lücken: KI-Engines kennen deine Marke nicht als bekannte Entität	On-Page-Content-Qualität reparieren; Backlinks oder Citations ersetzen	Stärkste Richtungsevidenz der dreien	Hoch: laufende Earned-Media- und Konsistenzarbeit

Schema Markup: die Crawler-Parsing-Ebene

Schema Markup (konkret JSON-LD, das von Google empfohlene Format) sind strukturierte Daten, die du in den <head> oder <body> einer Seite einbettest, damit Crawler verstehen, was sie lesen. Ohne Schema entscheidet ein Crawler selbst, ob deine Seite ein Produktlisting, eine Anleitung, ein Q&A oder ein generischer Artikel ist. Schema beseitigt dieses Rätselraten.

Für AEO sind die relevantesten Schema-Typen FAQPage, HowTo, Article und Product. Sie teilen Google AI Overviews, Gemini und anderen Engines mit, dass ein Textblock ein Frage-Antwort-Paar ist und kein Prosaabsatz. Diese Unterscheidung ist entscheidend für die Einbindung in Answer-Boxen.

Die Studienlage ist hier wirklich widersprüchlich

Zwei Studien haben Schema und KI-Citations untersucht. Sie kamen zu unterschiedlichen Schlussfolgerungen, und es lohnt sich zu verstehen, warum.

Ahrefs (Mai 2026): Verfolgte 1.885 Seiten, die zwischen August 2025 und März 2026 JSON-LD-Schema hinzugefügt hatten, abgeglichen mit 4.000 Kontrollseiten. Ergebnis: kein nennenswerter Anstieg bei KI-Citations in Google AI Overviews, Google AI Mode oder ChatGPT. Google AI Mode zeigte +2,4 % und ChatGPT +2,2 %, beide statistisch nicht von null unterscheidbar. Google AI Overviews zeigte einen leichten Rückgang von -4,6 %. Die Studie hielt fest, dass alle Seiten bereits mindestens 100 AI Overview-Citations vor der Behandlung hatten, was bedeutet, dass Schema womöglich am meisten für Seiten unterhalb dieser Schwelle zählt.

arXiv-Preprint der UC Berkeley (Kumar und Palkhouski, 2025): Prüfte 1.100 URLs aus 1.702 Citations von Brave, Google AI Overviews und Perplexity. Structured Data war drittstärkster Prädiktor für die Citation-Wahrscheinlichkeit, verbunden mit einem Anstieg von rund +39 %. Metadaten-Aktualität (+47 %) und semantisches HTML (+42 %) rangierten darüber.

In der Zusammenschau: Schema ist ein echtes Signal, aber kein direkter Citation-Treiber in dem Sinne, wie das Veröffentlichen einer starken Antwort oder das Verdienen von Dritterwähnungen es sind. Es ist eine Voraussetzung für korrektes Parsing, kein Abkürzung an Content-Qualität vorbei.

Was du mit Schema konkret tun solltest

Füge FAQPage-Schema zu Seiten mit echten Q&A-Blöcken hinzu. Füge HowTo-Schema zu Schritt-für-Schritt-Inhalten hinzu. Füge Article-Schema mit dateModified hinzu, damit dein Content-Freshness-Signal aktuell bleibt. Validiere mit Googles Rich Results Test vor der Veröffentlichung.

Tools, die Schema-Generierung in einem AEO-Workflow unterstützen, sind Otto SEO und Surfer, die beide fehlende Structured Data als Teil breiterer Content-Audits markieren. Temso beinhaltet Schema-Generierung als einen Schritt in seinem vollständigen AEO-Fix-Workflow. Für Teams, die sich auf den Schreib-und-Optimierungs-Loop konzentrieren, generiert Writesonic FAQ-Schema gemeinsam mit Content-Entwürfen.

Die ehrliche Benchmark: Schema ist Pflichtprogramm für korrektes Crawl-Parsing. Die Debatte über Citation-Uplift ist real und ungelöst. Lass es nicht weg, aber erwarte nicht, dass es allein Citations bewegt.

llms.txt: die Crawler-Priorisierungs-Ebene

llms.txt ist eine Klartextdatei, die du im Root-Verzeichnis deiner Domain ablegst (zum Beispiel yourdomain.com/llms.txt). Sie listet die URLs und Inhaltsbeschreibungen auf, die KI-Crawler zuerst besuchen sollen. Stell dir das als ein kuriertes Inhaltsverzeichnis deiner Website vor, das speziell für Large-Language-Model-Crawler geschrieben ist und nicht für Menschen oder klassische Suchbots.

Vorgeschlagen wurde sie von Jeremy Howard im September 2024. Sie ist kein Standard, der von einer großen Suchmaschine getragen wird. Google, OpenAI und Anthropic haben öffentlich nicht bestätigt, dass sie die Datei lesen oder gewichten. Was sie bietet, ist ein Signal: Wenn ein KI-Crawler sie konsultiert, findet er eine saubere, priorisierte Liste deiner besten Inhalte, anstatt das aus deiner Sitemap oder Navigation ableiten zu müssen.

Schwache Evidenzbasis, sehr geringe Verbreitung

Laut der Analyse von Wix’s AI Search Lab aus 586 indizierten llms.txt-Dateien (Herbst 2025) rankten fast 6 % dieser Seiten für organische Keywords. Das ist eine Korrelation in einer kleinen Stichprobe, kein Kausalnachweis. Eine separate Beobachtung bezifferte die Mainstream-Verbreitung unter den Top-1.000-Websites auf unter 1 % Stand Mitte 2025. Keine kontrollierte Studie hat gezeigt, dass das Hinzufügen einer llms.txt die KI-Citation-Rate verbessert.

Das bedeutet nicht, dass du sie überspringen solltest. Der Aufwand ist gering (eine statische Datei, die aktualisiert wird, wenn sich deine Content-Prioritäten ändern), und das Abwärtsrisiko ist null. Das Aufwärtspotenzial ist, dass du kontrollierst, was KI-Crawler zuerst sehen, wenn sie die Datei tatsächlich nutzen.

Was llms.txt NICHT tut

Drei häufige Missverständnisse:

Sie blockiert keine KI-Crawler. Das ist robots.txt.
Sie erzeugt keine Structured Data und erklärt einem Crawler nicht, wie er Inhalte interpretieren soll. Das ist Schema.
Sie etabliert deine Marke nicht als bekannte Entität. Das ist Entity Optimization (siehe unten).

Wer gehört hat, „llms.txt ersetzt Schema”, liegt falsch. Beide operieren auf völlig unterschiedlichen Ebenen.

Was du mit llms.txt konkret tun solltest

Erstelle die Datei. Liste deine autoritativsten Seiten zuerst auf. Füge für jede URL eine einzeilige Beschreibung hinzu, damit ein Sprachmodell versteht, was die Seite behandelt, ohne sie aufrufen zu müssen. Aktualisiere die Datei, wenn du wichtige neue Inhalte veröffentlichst oder alte Seiten abkündigst. Die Einrichtung dauert eine Stunde, die Pflege wenige Minuten.

Für llms.txt gibt es noch keine dedizierte Toolkategorie. Es ist eine Datei, die du über deinen eigenen Workflow oder dein Developer-Setup erstellst und pflegst.

Entity Optimization: die Wissens-Ebene

Entity Optimization ist der Prozess, durch den deine Marke, deine Produkte und deine wichtigsten Aussagen als eindeutige, konsistente Entitäten in den Wissenssystemen erkennbar werden, auf die KI-Engines zurückgreifen. Für Gemini bedeutet das, im Google Knowledge Graph präsent und konsistent zu sein. Für ChatGPT und Perplexity bedeutet es, häufig und konsistent in autoritativen Drittquellen erwähnt zu werden.

Das ist die aufwändigste der drei Taktiken und hat die stärkste Richtungsevidenz.

Was die Studienlage tatsächlich zeigt

Eine Ahrefs-Analyse von 75.000 Marken (Mai 2025) ergab, dass Marken im obersten Quartil nach Web-Erwähnungen im Schnitt 169 AI Overview-Einblendungen hatten, mehr als zehnmal so viele wie die 14 im nächsten Quartil. Das ist eine Korrelation, kein Beweis, dass Erwähnungen Citations verursachen, aber die Größenordnung ist erheblich genug, um sie ernst zu nehmen.

Das arXiv-Preprint der UC Berkeley (Kumar und Palkhouski, 2025) ermittelte, dass Metadaten-Aktualität und semantisches HTML über Structured Data als Citation-Prädiktoren rangierten. Entity-Konsistenz, der Grad, in dem deine Marke in verschiedenen Quellen gleich beschrieben wird, ist ein Bestandteil dessen, was diese Signale erfassen.

Die Ahrefs-Studie mit 15.000 Suchanfragen (August 2025) ergab, dass nur rund 12 % der von KI-Assistenten zitierten URLs (ChatGPT, Gemini, Microsoft Copilot und Perplexity zusammen) auch in Googles organischen Top-10-Ergebnissen für dieselbe Anfrage erschienen. Das bedeutet, KI-Engines schöpfen aus einem anderen Pool als die klassische Suche. Die Quellen in diesem Pool sind typischerweise Drittdomains, die deine Marke konsistent als autoritative Stimme zu einem Thema referenzieren.

Entity Optimization hat drei praktische Komponenten:

Konsistenz auf deiner eigenen Website. Dein Markenname, deine Produktnamen und deine wichtigsten Aussagen sollten auf jeder Seite identisch sein. Inkonsistente Schreibweisen (unterschiedliche Groß- und Kleinschreibung, Kurzformen, veraltete Produktnamen) erschweren es jedem System, dich als einzelne Entität zu erkennen.
Dritterwähnungen auf autoritativen Quellen. KI-Engines gewichten vertrauenswürdige Quellen stärker. Wikipedia-Einträge, Branchenverzeichnisse, Presseberichterstattung, Bewertungsseiten wie G2 und Quora-Antworten, die deine Marke zitieren, stärken allesamt deine Entitätsidentität. Das ist Earned-Media-Arbeit, kein technischer Fix.
Knowledge-Graph-Präsenz. Für Marken, bei denen Gemini eine Prioritäts-Engine ist, ist ein verifiziertes Google Knowledge Panel ein direktes Signal. Konsistente NAP-Daten (Name, Adresse, Telefonnummer) in Verzeichnissen, ein Wikipedia-Eintrag und korrektes Schema Markup auf der eigenen Website tragen alle dazu bei.

Was du mit Entity Optimization konkret tun solltest

Beginne mit einem Marken-Audit: Suche deinen Markennamen in ChatGPT, Perplexity, Google AI Overviews und Gemini. Notiere, wie jede Engine dich beschreibt. Notiere, was sie falsch hat. Notiere, welche Quellen sie zitiert, wenn sie dich erwähnt. Diese Quellen sind deine Distributionspriorität.

Knowatoa ist darauf spezialisiert, wie KI-Engines deine Marke auf verschiedenen Plattformen repräsentieren, und macht Lücken sichtbar. Für Teams, die Entity Monitoring innerhalb einer breiteren AEO-Plattform wollen, verfolgt Temso die Markenrepräsentation über acht KI-Engines und markiert Halluzinationen zusammen mit Citation-Lücken. Profound liefert Citation Maps, die zeigen, welche Drittdomains deine Entity-Erwähnungen antreiben.

Entity Optimization ist die aufwändigste der drei Taktiken und diejenige mit dem geringsten direkten technischen Hebel. Du kannst keine Konfigurationsänderung einreichen und damit fertig sein. Es erfordert laufende Earned-Media-Arbeit und Content-Distribution.

Das Multi-Schema-Beispiel

Hier ein minimales Beispiel für das Schichten von FAQPage- und Article-Schema auf einem einzelnen Blogbeitrag. Beide Typen können auf derselben Seite koexistieren.

[
  {
    "@context": "https://schema.org",
    "@type": "Article",
    "headline": "Schema Markup vs llms.txt vs Entity Optimization",
    "datePublished": "2026-07-17",
    "dateModified": "2026-07-17",
    "publisher": {
      "@type": "Organization",
      "name": "AEO Rankings"
    }
  },
  {
    "@context": "https://schema.org",
    "@type": "FAQPage",
    "mainEntity": [
      {
        "@type": "Question",
        "name": "Does schema markup improve AI citations?",
        "acceptedAnswer": {
          "@type": "Answer",
          "text": "Controlled evidence found no meaningful citation lift after adding schema, while observational research found structured data correlated with higher citation likelihood. Treat schema as infrastructure and measure the result."
        }
      },
      {
        "@type": "Question",
        "name": "Does llms.txt replace schema?",
        "acceptedAnswer": {
          "@type": "Answer",
          "text": "No. Schema tells crawlers how to interpret content they have found. Llms.txt tells AI crawlers which URLs to prioritize. They operate at different layers and can coexist."
        }
      }
    ]
  }
]

Platziere dies in einem <script type="application/ld+json">-Block. Validiere mit Googles Rich Results Test vor der Veröffentlichung. Du kannst so viele @type-Blöcke kombinieren, wie tatsächlich auf deine Seite zutreffen, aber füge keine Schema-Typen hinzu, die deine Seite nicht wirklich repräsentiert.

Wie die drei Taktiken zusammenwirken

Keine davon ersetzt Content-Qualität oder Drittcitations. Sie sind Infrastruktur. Stell dir das so vor:

Schema: Labels an deinen Regalen, damit der Crawler findet, was er sucht.
llms.txt: Ein Hinweisschild an deiner Tür, welche Regale am wichtigsten sind.
Entity Optimization: Dafür sorgen, dass der Crawler deinen Namen bereits kennt, bevor er hereinkommt.

Alle drei tragen zum gleichen Ergebnis bei: Eine KI-Engine kann deinen Inhalt finden, verstehen, was er aussagt, und deiner Marke als Quelle vertrauen. Lass eine Ebene weg und du schaffst einen Engpass genau auf dieser Ebene.

Für das vollständige Bild, welche Tools jede Ebene des AEO-Stacks abdecken, sieh dir das vollständige AEO-Tool-Ranking oder das AEO-Glossar für die hier verwendeten Begriffe an.