Fast jeder will heutzutage in der AI-Welt stattfinden und vielleicht fragst auch Du Dich, wie Deine Inhalte in LLMs und AI-Overviews sichtbar werden können. Je nachdem, wen man fragt, bekommt man sehr unterschiedliche Antworten dazu, wie man am besten Mentions und Citations bekommt. Viele dieser Empfehlungen sind jedoch schwer belegbar oder umstritten.
Ein besonders diskutierter Punkt ist dabei Structured Data. Während es für SEOs seit Jahren ein fester Bestandteil der Arbeit ist, ist der Nutzen im Zusammenhang mit AI-Visibility bisher eher ungewiss. Um mehr Klarheit zu schaffen, habe ich mich durch den Dschungel der aktuellen Studien zu dem Thema geschlagen und Dir ein paar Erkenntnisse mitgebracht.
In diesem Test auf Search Engine Land wurden 3 inhaltlich nahezu identische Seiten erstellt. Diese wurden dann unterschiedlich mit Schema-MarkUp ausgestattet:
- 1 Seite blieb ohne Schema
- 1 Seite erhielt mangelhaftes Schema
- Und 1 Seite erhielt vollwertiges Schema
und ins Ranking geworfen.
Nur die Seite, die mit gutem Schema ausgestattet wurde, tauchte zum Thema in AIOs auf und erzielte auch die besten Rankings. Die Seite mit mangelhaftem Schema tauchte zwar nicht in AIOs auf, erzielte aber ebenfalls Rankings. Nur die Seite gänzlich ohne Schema wurde von Google nicht mal indexiert.
Obwohl es zwar ein Vorteil ist, dass dieser Test Seiten mit wirklich ähnlichen Inhalten und Grundvoraussetzungen erstellt hat, ist das Ergebnis dennoch wenig aussagekräftig. Da es sich nur um 3 Seiten handelt, ist die Datenbasis so gering, dass sich daraus keine fundierte Erkenntnis ziehen lässt.
Deutlich tiefer geht die Studie von Arlen Kumar und Leanid Palkhouski (UC Berkeley / Wrodium Research). Sie entwickelten das GEO-16 Framework, das 16 On-Page-Signale, wie Metadaten, Freshness, semantisches HTML und strukturierte Daten systematisch misst und mit den Zitationsentscheidungen von AI-Modellen abgleicht.
Getestet wurden 70 B2B-SaaS-Prompts in Brave, Google AI Overviews und Perplexity. Dabei wurden 1.702 Citations und 1.100 URLs analysiert.
Das Ergebnis?: Die wichtigsten Signale für Zitationen sind laut der Studie
- Metadaten & Freshness
- Semantisches HTML
- Structured Data
Structured Data korreliert mit einer um 39% höheren Wahrscheinlichkeit zitiert zu werden. Das heißt, Seiten mit validem Structured Data werden deutlich häufiger als Quelle ausgewählt. Laut Studie ist dieser Zusammenhang sogar etwas stärker als bei Evidence & Citations (+37%).
Das Ergebnis klingt also vielversprechend für Structured Data und die Datenmenge ist auch mehr, als wir sonst von anderen SEO-Studien gewöhnt sind. Trotzdem handelt es sich lediglich um eine Korrelation. Wir wissen also nur, dass die beiden Faktoren gemeinsam auftreten, aber nicht sicher, ob Structured Data der eigentliche Auslöser ist oder nur mit anderen Qualitätsmerkmalen zusammenfällt.
Dass Structured Data in so einem Zusammenhang mit Zitierungen auftrat, mag auch daran liegen, dass diese Seiten besser SEO optimiert sind. AI Overviews haben schließlich eine hohe Schnittmenge mit den Top Ergebnissen auf der SERP. Da in der Studie zudem die Qualität der Structured Data selbst bewertet wurde, liegt die Vermutung nahe, dass es sich hier um generell optimierte und technisch saubere Seiten handelt, die gleichzeitig von der Engine bevorzugt werden.
Während die Studie zwar schon wesentlich tiefer geht als die Erste, kann man sich nicht alleine darauf verlassen.
Mark Williams Cook zum Beispiel spricht sich klar gegen die Effektivität von Structured Data für AI aus. Er sagt, dass LLMs beispielsweise gar kein Schema nutzen. Seine Argumente:
- LLMs sind darauf trainiert, menschliche Inhalte zu verstehen. Strukturierte Hilfsmittel wie Schema.org widersprechen diesem Ziel, weil sie maschinelle statt natürliche Lesbarkeit fördern
- Der Tokenization Prozess macht das Schema unbrauchbar, da die Tokenization die strukturierten Angaben auseinanderreißt. So geht der semantische Zusammenhang verloren
- Da LLMs jeweils das nächste Token vorhersagen, bringen strukturierte Daten keinen echten Mehrwert für das Verständnis
- Höchstwahrscheinlich wird Schema im Pre-Training sowieso verworfen, da der Fokus von LLMs darauf liegt nur für Menschen lesbare Inhalte zu bewerten und zu verstehen
Trotz seiner Skepsis gegenüber der direkten Wirkung auf LLMs spricht sich Williams-Cook nicht grundsätzlich gegen Structured Data aus. Er betont, dass strukturierte Daten weiterhin eine wichtige Rolle für Suchsysteme spielen und im Kontext von RAG (Retrieval-Augmented Generation) einen Nutzen haben können. Auch für ein besseres Ranking in Fastsearch kann Structured Data theoretisch helfen, mehr Zitations zu erzielen (mehr dazu in Cleos Artikel zur Sichtbarkeit von Webseiten in KI-Modellen).
Was heißt das also am Ende?
Es gibt bislang keine klaren Belege, dass Structured Data einen direkten Einfluss auf die AI-Visibility hat. Besonders für die Sichtbarkeit in LLMs ist ein Effekt schwer nachzuweisen und eher unwahrscheinlich. Für das Auftauchen in AI Overviews besteht allerdings wenigstens eine deutliche Korrelation.
Falls Du gerade auf den AI-Zug aufspringen willst und überlegst, ob Du Structured Data implementieren oder optimieren solltest, bedenke folgende Punkte:
- Structured Data integrieren ist kein großer Aufwand und schadet nicht
- LLMs könnten im RAG Prozess durchaus darauf zugreifen
- Structured Data bringt Dir viele Vorteile außerhalb von AI-Citations. Es hilft Dir auf alle Fälle von Google und anderen Suchsystemen besser verstanden zu werden und ein besseres Ranking kann Dir indirekt auch bessere AI-Visibility bringen.