Warum ist JSON-LD (Schema.org) aus Sicht von GEO/AI besser als Mikrodaten (itemprop)?
- Verbesserte Nutzung durch Modelle und Crawler - JSON ist das native Format für Parser/LLM; minimiert DOM-"Rauschen" und Fehler bei der Verschachtelung von Mikrodaten
- Wissensgraph anstelle eines DOM-Baums - in JSON-LD gibt es @id, Entity-Beziehungen, Deduplizierung und Verlinkung (sameAs, @graph). Microdata bietet dies nicht explizit an
- Leichtere Wartung - sie können den Inhalt der Seite ändern, ohne zu riskieren, dass itemprop-Attribute "verschüttet" werden; Sie können Daten aus dem Feed (PIM/ERP) generieren und sie in die
<head> - Stärkere Unterscheidung der Einheiten - typen, Identifikatoren (GTIN, MPN), Varianten, Richtlinien, Erfassungsbereich, Sprachen; dies ist entscheidend für eine korrekte LLM-Antwort (Reduzierung von Halluzinationen)
- Mehrsprachigkeit und Kontext - leichtere Angabe von inLanguage, alternativen Namen, Regionen (areaServed) und Zuordnung zu grenzüberschreitenden Märkten
- Normung und Konformität - suchmaschinen bevorzugen seit Jahren JSON-LD; viele Tools (Validatoren, Pipelines) arbeiten mit diesem Format
- Modularität im Rahmen von GEO - sie können zusätzliche Entitäten (FAQ, HowTo, Review, Organization, Offer, MerchantReturnPolicy) veröffentlichen, ohne den HTML-Code zu ändern
Was bedeutet das für die Praxis?
Verwenden Sie Schema.org als Wörterbuch und JSON-LD als Träger. Microdata mit itemprop ist nur sinnvoll, wenn Sie keinen Zugriff auf das <head> und man muss bestehendes HTML "imitieren" - aber unter GEO ist dies eine minderwertige Lösung (anfällig und semantisch schlechter).
Vergleich
Mikrodaten (abgekürzt):
<span itemprop="name">SportFuel Isotonic</span>
<img itemprop="image" src="/img/isotonic.jpg" />
<span itemprop="gtin13">5901234567890</span>
<div itemprop="offers" itemscope itemtype="https://schema.org/Offer">
<meta itemprop="priceCurrency" content="EUR" />
<span itemprop="price">6,5</span>
<link itemprop="availability" href="https://schema.org/InStock" />
</div>JSON-LD (empfohlen unter GEO/AI):
"@context": "https://schema.org",
"@type": "Product",
"@id": "https://example.com/p/sportfuel-isotonic#product",
"name": "SportFuel Isotonic",
"image": ["https://example.com/img/isotonic.jpg"],
"gtin13": "5901234567890",
"mpn": "SF-ISO-7",
"brand": { "@type": "Brand", "name": "SportFuel" },
"inLanguage": "de",
"description": "Isotonisches Getränk in Sachets für Läufer und HYROX.",
"category": "Sporternährung",
"audience": { "@type": "PeopleAudience", "audienceType": "Ausdauersportler" },
"offers": {
"@type": "Offer",
"url": "https://example.com/p/sportfuel-isotonic",
"priceCurrency": "EUR",
"price": "6,5",
"availability": "https://schema.org/InStock",
"hasMerchantReturnPolicy": {
"@type": "MerchantReturnPolicy",
"applicableCountry": "DE",
"returnPolicyCategory": "https://schema.org/MerchantReturnFiniteReturnWindow",
"merchantReturnDays": 14
},
"shippingDetails": {
"@type": "OfferShippingDetails",
"shippingDestination": { "@type": "DefinedRegion", "addressCountry": ["PL","DE","CZ"] },
"deliveryTime": { "@type": "ShippingDeliveryTime", "handlingTime": {"@type":"QuantitativeValue","minValue":0,"maxValue":1,"unitCode":"d"} }
}
},
"sameAs": [
"https://www.instagram.com/sportfuel",
"https://www.wikidata.org/entity/QXXXX"
]
}Was ist unter GEO for AI" zu beachten?
- Unzweideutigkeit:
@id,gtin*,mpn,marke,sku - Öffentlichkeitsarbeit und Sprache:
inLanguage,areaServed,availableLanguage - Angebot und Logistik:
Angebot,AngebotVersandDetails,MerchantReturnPolicy,preisGültigBis,verfügbarkeit - Beziehungen: link-Entitäten (
Organisationeigentümer,WebSite,Brotkrümel-Liste) - Inhalt zur Unterstützung von LLM-Antworten:
FAQSeite,HowTo,Überprüfung,AggregateRating- modelle helfen, vollständige und zuverlässige Antworten zu geben
Zusammenfassung
Zusammenfassend lässt sich sagen, dass das JSON-LD-Format von Schema.org heute die beste Wahl für die Sichtbarkeit in KI- und GEO-Strategien ist. Es ermöglicht saubere, eindeutige Datenstrukturen, die Sprachmodelle leicht interpretieren und mit anderen Quellen kombinieren können. Mikrodaten mit itemprop funktionieren nur in einfachen Fällen gut, bieten aber nicht die Flexibilität, Skalierbarkeit oder kontextuelle Tiefe, die in einem modernen KI-Ökosystem benötigt werden.
FAQ
Sind Schema.org und itemprop das Gleiche?
Nein. Schema.org ist ein Wörterbuch von Konzepten (Datentypen) und itemprop ist ein Attribut, das in Mikrodaten verwendet wird, um sie in HTML einzubetten.
Warum ist JSON-LD besser als Microdata?
Denn es trennt Daten von Inhalten, ist einfacher zu pflegen und wird von KI und Suchmaschinen besser verstanden.
Verwendet AI tatsächlich Schema.org-Daten?
Ja. Sprachmodelle (z. B. ChatGPT, Gemini, Perplexity) analysieren JSON-LD-Strukturen, um genauere Antworten zu geben.
Ist es sinnvoll, Mikrodaten mit itemprop zu verwenden?
Nur wenn Sie keinen Zugang zu dem Bereich haben <head> seiten. In jedem anderen Fall ist es besser, Schema.org in JSON-LD zu verwenden.
Wie wirkt sich Schema.org auf GEO (Generative Engine Optimisation) aus?
Eine klare Beschreibung von Produkten, Dienstleistungen und Inhalten hilft der KI, Daten richtig zu interpretieren, und erhöht die Sichtbarkeit der Marke bei generativen Antworten.
Glossar
Schema.org - ein offenes Wörterbuch mit Begriffen, die verwendet werden, um Daten auf Webseiten in einer Weise zu beschreiben, die Suchmaschinen und KI verstehen können
JSON-LD - jSON-basiertes strukturiertes Datenspeicherformat, das von Google empfohlen wird und am besten von KI-Modellen verarbeitet werden kann
Mikrodaten - ältere Art der Einbettung von Daten in HTML unter Verwendung von Attributen wie itemscope, itemtype, itemprop
itemprop - mikrodaten-Attribut, das eine Eigenschaft (z. B. Name, Preis, Bild) einer Entität angibt
GEO (Generative Suchmaschinenoptimierung) - optimierung von Inhalten und Daten, damit sie besser verstanden und in den von KI-Modellen wie ChatGPT oder Gemini generierten Ergebnissen dargestellt werden
Entität - eine Wissenseinheit (z. B. Produkt, Unternehmen, Person), die in einer Schema.org-Struktur eindeutig beschrieben werden kann
Wissensgrafik - ein Netzwerk aus miteinander verbundenen Einheiten und ihren Beziehungen, das von der KI genutzt wird, um den Kontext von Daten besser zu verstehen
Kriechende KI - der Prozess, durch den Modelle oder Suchmaschinen strukturierte Daten verarbeiten, um ihre eigenen internen Wissensdatenbanken aufzubauen
LLM (Großes Sprachmodell) - ein umfangreiches Sprachmodell wie ChatGPT oder Gemini, das Antworten auf der Grundlage von Kontext und Daten aus verschiedenen Quellen generiert
Angebot / Produktaufschlag - schema.org-Datenstruktur zur Beschreibung von Produkten, deren Preisen, Verfügbarkeit und Varianten im E-Commerce
Teilen: