„Bring deine Schema-Auszeichnung in Ordnung, dann bist du bei der KI-Suche sichtbar." Diesen Satz hört man auf Konferenzen, in SEO-Newslettern, von Tool-Herstellern. Er ist nicht falsch. Er ist nur zu kurz gegriffen. Und für viele Mittelständler ist er der Grund, warum nach 40 Stunden Schema-Arbeit immer noch kein einziger ChatGPT-Treffer dabei ist.
Dieser Artikel räumt mit dem Schema-Mythos auf, zeigt die Daten dahinter und benennt die Reihenfolge, in der KI-Sichtbarkeit tatsächlich entsteht.
Wie der Mythos entstanden ist
Der Schema-Mythos hat zwei Wurzeln, und beide sind nachvollziehbar.
Die erste Wurzel liegt in der Google-Geschichte. Seit 2014 nutzt Google Schema.org-Markup, um Rich Snippets in der Suchergebnisliste zu zeigen. Sterne-Bewertungen, Preise, Rezept-Vorschauen, FAQ-Klappboxen. Wer Schema sauber implementierte, bekam in den 2010er Jahren tatsächlich häufig mehr Klicks. Aus dieser Phase stammt der Reflex: strukturierte Daten gleich mehr Sichtbarkeit.
Die zweite Wurzel liegt in der Sprache der Tool-Hersteller. Wer Schema-Generatoren, Plugins oder Audit-Tools verkauft, hat ein wirtschaftliches Interesse daran, Schema-Markup als zentralen Hebel zu positionieren. Das ist nicht unehrlich, aber es verzerrt die Wahrnehmung. Sichtbarer Antwort-Text lässt sich nicht so schön mit einem Plugin nachrüsten wie ein JSON-LD-Block.
Mit KI-Suche ab 2023 wurde der Mythos transplantiert. Wenn Schema Google geholfen hat, dann müsste es auch ChatGPT helfen. Logisch klingt das. Empirisch stimmt es nur teilweise.
Was die Daten zeigen
Zwei Datenquellen aus 2024 und 2025 sind besonders aufschlussreich, weil sie nicht aus dem Tool-Hersteller-Umfeld stammen, sondern aus unabhängiger Analyse.
searchVIU: KI-Antwort-Systeme lesen den sichtbaren Text
Die SEO-Analyse-Plattform searchVIU hat über mehrere Monate ausgewertet, welche Inhalte die fünf großen KI-Antwort-Systeme (ChatGPT, Perplexity, Claude, Gemini, Google AI Overviews) zitieren. Das Ergebnis: KI-Antwortmaschinen lesen primär den sichtbaren Text der Seite. Sie extrahieren Passagen, in denen die Frage des Nutzers im sichtbaren HTML beantwortet wird, und zitieren diese Passagen. Das versteckte Schema-Markup wird zur Entity-Klärung herangezogen (also: Wer ist der Anbieter, wo sitzt er, was ist sein Geschäftsfeld), aber nicht als Antwort-Quelle.
Anders gesagt: Schema beantwortet die Frage nach dem Wer. Sichtbarer Text beantwortet die Frage nach dem Was. Und KI-Antwortmaschinen suchen primär nach dem Was.
Ahrefs: 2,4 Prozent zusätzliche Klicks durch FAQPage-Schema
Im Frühjahr 2024 hat Ahrefs eine Studie über 1.885 Seiten veröffentlicht, die das FAQPage-Schema implementiert hatten. Untersucht wurde der Effekt auf die Klickrate aus Google. Das Ergebnis war ernüchternd: durchschnittlich 2,4 Prozent zusätzliche Klicks. Bei einigen Seiten gab es mehr, bei anderen weniger, aber der Durchschnittseffekt blieb klein.
Bedeutet das, FAQPage-Schema sei nutzlos? Nein. Aber es bedeutet, dass die häufige Annahme, „mit FAQPage-Schema bin ich bei der KI-Suche oben", durch die Daten nicht gedeckt ist. 2,4 Prozent sind eine nette Ergänzung. Sie sind nicht der Grund, warum eine Website von einer KI zitiert wird.
Was Schema wirklich kann (und was nicht)
Schema.org ist nach wie vor nützlich, aber die Funktion ist begrenzter, als die Marketing-Sprache vermuten lässt. Eine ehrliche Liste:
| Schema.org kann | Schema.org kann nicht |
|---|---|
| Google im Knowledge Graph helfen, die richtige Entität zu erkennen | Den sichtbaren Antwort-Text ersetzen |
| Rich Snippets in der Google-Suche auslösen (Sterne, Preise, FAQ-Klappen) | KI-Antwortsysteme direkt überzeugen, eine Seite zu zitieren |
| Als sekundäres Signal für AI-Lesbarkeit dienen (Strukturhinweis für LLMs) | Eine schlecht geschriebene Seite zu einer gut zitierten Seite machen |
| Lokale Anbieter über LocalBusiness sauber positionieren | Topical Authority alleine erzeugen |
| Person-Marke-Verbindungen über @id-Referenzen abbilden | 2,4 Prozent FAQPage-Klick-Effekt in 24 Prozent verwandeln |
Die Spalte links ist nicht klein. Sie ist nur anders, als der Schema-Mythos suggeriert.
Was tatsächlich KI-Zitate auslöst
Wenn der sichtbare Text der Haupthebel ist, dann lohnt sich ein genauer Blick: Was genau am sichtbaren Text macht ihn zitierfähig? Aus der Praxis und aus searchVIU-Daten lassen sich vier Eigenschaften herausarbeiten, die wir in unserer Methodik unter dem Begriff AI-Lesbarkeit bündeln.
- BLUF in den ersten zwei Sätzen. Bottom Line Up Front: Die Hauptfrage der Seite wird in den ersten zwei Sätzen direkt beantwortet. Kein Marketing-Vorlauf, keine Branding-Floskel. KI-Antwortsysteme extrahieren bevorzugt Passagen aus den ersten 100 bis 200 Wörtern einer Seite.
- Fragen als H2-Überschriften. Wenn der H2 die Frage stellt, die ein Nutzer in ChatGPT eintippen würde, und der erste Absatz darunter die direkte Antwort liefert, ist die Wahrscheinlichkeit hoch, dass diese Passage zitiert wird. Das ist die Grundstruktur jedes guten Lexikon-Eintrags und der Grund, warum Wikipedia überproportional oft zitiert wird.
- Lead-Sätze pro Absatz. KI-Antwortmaschinen lesen oft nicht den ganzen Absatz, sondern den ersten Satz. Wer den Lead-Satz mit der zentralen Aussage beginnt, gewinnt Extraktions-Wahrscheinlichkeit. Wer im Lead-Satz Vorlauf produziert („Wenn man sich anschaut, was die meisten Kunden tun, dann ist es so, dass..."), verliert sie.
- Flesch-Lesbarkeit über 60. Die Flesch-Formel nach Toni Amstad (deutsche Variante) misst Lesbarkeit zwischen 0 (Beamten-Deutsch) und 100 (Kinderbuch). Werte über 60 entsprechen Zeitungsstil, gut verständlich für Nicht-Fachleute. KI-Antwortsysteme bevorzugen lesbare Passagen, weil sie diese mit höherer Konfidenz vorlesen oder paraphrasieren können.
Konkretes Beispiel: Die gleiche Antwort, einmal in der Marketing-Wand-of-Text-Variante und einmal in der zitierfähigen Variante.
Beide Absätze haben etwa die gleiche Wortzahl. Die erste Version produziert keine zitierfähige Passage. Die zweite Version liefert eine vollständige Antwort, die ein KI-System direkt übernehmen kann.
Die richtige Reihenfolge im AEO-Aufwand
Eine pragmatische Reihenfolge für Mittelständler, die KI-Sichtbarkeit aufbauen wollen, sieht anders aus als die übliche Plugin-Liste. Sortiert nach Hebel:
- Sichtbaren Antwort-Text neu schreiben. BLUF, Fragen als H2, Lead-Sätze, Flesch über 60. Das ist die Hauptarbeit und dauert pro Seite einen halben bis ganzen Tag.
- Entity-Basis per Schema.org legen. Organization, LocalBusiness, Person mit @id. Das stellt sicher, dass Google und KI-Systeme wissen, wer das überhaupt ist. Aufwand: einmalig ein halber Tag, dann gepflegt.
- llms.txt im Root anlegen und robots.txt für KI-Crawler öffnen. GPTBot, ClaudeBot, PerplexityBot zugelassen. Aufwand: ein Nachmittag.
- FAQPage-Schema dort, wo es passt. Auf Seiten mit echten Frage-Antwort-Blöcken. Nicht als Selbstzweck. 2,4 Prozent Klick-Plus sind nett, aber kein Hauptziel.
- Speakable-Markup auf BLUF und ersten FAQ-Antworten. Hilft Google Assistant und ähnlichen Diensten, die richtigen Sätze vorzulesen.
Faustregel: rund 70 Prozent des Aufwands in Punkt 1 (sichtbaren Text), rund 30 Prozent in Punkte 2 bis 5 (technische Bausteine). Die häufige Praxis sieht umgekehrt aus, und das ist der Grund, warum so viele Schema-Implementierungen ihren Aufwand nicht zurückspielen.
Schema bleibt wichtig, aber als Ergänzung
Der Punkt dieses Artikels ist nicht: Schema ist schlecht. Der Punkt ist: Schema allein erzeugt keine KI-Zitate. Wer den sichtbaren Antwort-Text vernachlässigt und dafür viel Zeit in Schema-Plugins investiert, wird enttäuscht sein. Wer den sichtbaren Text in Frage-Antwort-Form umbaut und Schema sauber dazulegt, wird beide Welten bekommen: Rich Snippets bei Google und Citations in KI-Antwortsystemen.
In unserer Methodik unter /methodik/ bilden wir das ab: AI-Lesbarkeit zählt 20 Prozent, Schema.org zählt 15 Prozent. Beide sind Pflicht, aber in dieser Gewichtung. Die volle Begründung steht in der Methodik-Sektion zur AI-Lesbarkeit.
Häufige Fragen
Soll ich aufhören, Schema.org auszuzeichnen?
Nein. Schema bleibt wichtig für Google Knowledge Graph, Rich Snippets und Entity-Klarheit. Die Empfehlung ist eine andere: zuerst am sichtbaren Antwort-Text arbeiten, dann Schema sauber dazulegen. Reihenfolge entscheidet.
Was bringt FAQPage-Schema dann überhaupt?
Laut Ahrefs-Studie über 1.885 Seiten rund 2,4 Prozent zusätzliche Klicks aus Google. Außerdem dient FAQPage als Struktur-Signal für LLMs, dass auf der Seite Frage-Antwort-Paare zu finden sind. Es bringt keine direkten KI-Zitate, aber es schadet auch nicht.
Welcher Anteil meines AEO-Aufwands sollte in sichtbaren Text gehen?
Pragmatische Faustregel für KMU: rund 70 Prozent in sichtbaren Text (BLUF, Frage-Antwort-Struktur, Lead-Sätze, Lesbarkeit), rund 30 Prozent in technische Bausteine (Schema, llms.txt, Speakable). Die häufige Praxis ist umgekehrt.
Wie wirkt sich der Schema-Hebel für lokale Anbieter aus?
Für lokale Anbieter ist Schema deutlich wichtiger als der Durchschnitt suggeriert. LocalBusiness und Person mit @id helfen Google im Knowledge Graph und sind Voraussetzung für lokale KI-Antworten. Sichtbarer Text bleibt der Haupthebel, lokale Entity-Auszeichnung ist die Pflicht-Basis.
Wie messe ich, ob mein Text KI-zitierfähig ist?
Drei Tests ohne Tools. BLUF-Test: beantworten die ersten zwei Sätze die Hauptfrage direkt? Flesch-Lesbarkeit per Online-Rechner prüfen, Zielwert über 60. Reverse-Test in ChatGPT, Perplexity und Google AI Overviews — die typische Kundenfrage stellen und prüfen, ob die eigene Domain zitiert wird.
Gilt das auch für Speakable-Markup und Sprachassistenten?
Speakable hat eine engere Funktion als FAQPage und wirkt direkt bei Google Assistant. Es zeichnet vorlesefähige Sätze aus, ersetzt aber nicht den Text. Ohne sichtbaren, gut lesbaren Antwort-Text läuft Speakable ins Leere.
Wie gut ist deine Seite KI-lesbar?
Der kostenlose 6D-Score prüft AI-Lesbarkeit, Schema.org, DSGVO und BFSG in 30 Sekunden — mit transparenter Methodik und konkreten Werten pro Dimension.
Jetzt prüfen