Schema-Markup für das agentische Web

Schema-Markup steht im Zentrum der aktuellen SEO- und GEO-Debatte. Google und Bing nutzen strukturierte Daten laut eigenen Angaben für AI Overviews; ChatGPT fließt sie in Produktempfehlungen ein. Damit wächst Schema über klassische SERP-Features hinaus: Es wird zur Infrastruktur des agentischen Webs, in dem KI-Systeme Inhalte nicht nur lesen, sondern im Auftrag von Nutzerinnen und Nutzern interpretieren und handeln.

Für KI-Agenten reicht es nicht, Text zu verstehen. Sie müssen Beziehungen, Relevanz und Vertrauenswürdigkeit erkennen und entscheiden, ob Inhalte empfehlenswert oder für Aufgaben nutzbar sind. Schema-Markup liefert dafür maschinenlesbare Signale. Gleichzeitig senkt saubere Strukturierung die Verarbeitungskosten: Unstrukturiertes HTML zu parsen ist für große Sprachmodelle teurer als klar definierte Entitäten – besonders bei begrenzten Kontextfenstern und steigenden Inferenzkosten. Websites, die sich leicht auswerten lassen, werden zum bevorzugten Pfad für Agenten.

Schema-Markup im agentischen Web

In der klassischen Suche unterstützt Schema die Sichtbarkeit über Rich Results und hilft Suchmaschinen, Entitäten dem Index und Knowledge Graph zuzuordnen. Agenten gehen weiter: Sie prüfen, ob Informationen aktuell, konsistent und handlungsfähig sind – etwa für Buchungen, Vergleiche oder Kaufberatung. Wer nur Fließtext liefert, zwingt Systeme zu Raten; wer Typen, Eigenschaften und Relationen nach Schema.org auszeichnet, reduziert Fehlinterpretationen.

Das betrifft nicht nur Marken mit großen Produktkatalogen. Auch Ratgeber, Dienstleister und Publisher profitieren, wenn Artikel, FAQs, Personen und Organisationen eindeutig typisiert sind. Entscheidend ist die Passung zwischen sichtbarem Content und Markup: Widersprüche zwischen HTML und JSON-LD untergraben Vertrauen – für Crawler wie für Agenten.

NLWeb und die Infrastruktur dahinter

Schema ist das Fundament; Microsofts Open-Source-Initiative NLWeb baut darauf auf. NLWeb soll Websites in abfragbare KI-Oberflächen verwandeln: Nutzer und Agenten stellen Fragen in natürlicher Sprache und erhalten strukturierte Antworten, ohne jede Seite manuell zu durchklicken. Schema beschreibt, was auf einer URL steht; NLWeb ermöglicht die direkte Interaktion – vergleichbar mit der Frage nach einem Tisch für vier Personen um 19 Uhr statt dem bloßen Lesen einer statischen Speisekarte.

Hinter NLWeb steht R. V. Guha, kürzlich als CVP und Technical Fellow bei Microsoft, Mitautor zentraler Web-Standards wie RSS, RDF und Schema.org. Dass derselbe Architekt das Vokabular strukturierter Daten und ein Protokoll für agentische Abfragen vorantreibt, unterstreicht die strategische Linie: Bestehende Formate sollen weiterverwendet werden, nicht ersetzt.

NLWeb kombiniert Schema.org, RSS und LLM-gestützte Werkzeuge. Es verlangt keine komplette Neuerfindung des Content-Stacks, sondern eine belastbare Schema-Basis, auf der Konversationsschichten aufsetzen können.

Welche strukturierten Daten NLWeb nutzt

Typische Bausteine orientieren sich an etablierten Schema.org-Typen – etwa Organization, Product, Article, FAQPage, Event oder LocalBusiness – je nach Geschäftsmodell. Je präziser Pflichtfelder gepflegt sind (Name, Beschreibung, Preis, Verfügbarkeit, Autor, Datum), desto deterministischer können Agenten antworten. Fehlende Pflichtattribute führen zu generischen oder ausbleibenden Empfehlungen in KI-Oberflächen.

SEO, GEO und AI Overviews zusammen denken

GEO und klassisches SEO teilen dieselbe Datengrundlage. Wer für AI Overviews und generative Antworten sichtbar bleiben will, sollte strukturierte Daten nicht als rein technisches Add-on behandeln, sondern als Teil der Content-Strategie. Dazu gehören konsistente Entitäts-IDs, saubere Breadcrumb- und ItemList-Markups sowie FAQ- und HowTo-Schema dort, wo echte Nutzerfragen beantwortet werden.

• Inventur: Welche Seitentypen liefern Umsatz, Leads oder Reichweite – und welches Markup fehlt?
• Validierung: Rich-Results-Tests und Search Console auf Fehler und Warnungen prüfen.
• Abgleich: Sichtbarer Text, Meta-Daten und JSON-LD müssen dieselben Fakten transportieren.
• Monitoring: Sichtbarkeit in AI Overviews, Referral-Traffic aus KI-Quellen und Conversion-Pfade beobachten.

Technische Umsetzung ohne Over-Engineering

JSON-LD im Head oder am Body-Ende bleibt für die meisten Teams der pragmatische Standard: Es lässt sich versionieren, testen und unabhängig vom Template ausrollen. Mikrodaten oder RDFa sind weiterhin möglich, erhöhen aber die Fehleranfälligkeit in CMS-Umgebungen. Wichtig ist eine klare Verantwortlichkeit zwischen SEO, Entwicklung und Redaktion – wer pflegt neue Produktfelder, wer aktualisiert Event-Daten, wer dokumentiert Entitätstypen?

Für große Domains lohnt sich ein zentrales Schema-Playbook: erlaubte Typen pro Template, Mapping aus dem CMS, Noindex-Regeln für dünnem Markup und ein Prozess für Migrationen bei Template-Wechseln. So skaliert Qualität, wenn NLWeb oder vergleichbare agentische Schnittstellen produktiv werden.

Häufige Stolpersteine

Automatisch generiertes Markup ohne redaktionelle Kontrolle erzeugt Duplikate und falsche Entitäten. Bewertungs-Sterne ohne echte Reviews, erfundene AggregateRating-Werte oder Product-Schema auf Kategorieseiten widersprechen Richtlinien und schaden langfristig. Agenten gewichten Konsistenz über die Zeit – häufige Korrekturen in Search Console sind ein Frühwarnsignal.

Auch Performance zählt: Umfangreiches JSON-LD auf jeder URL erhöht die HTML-Größe. Priorisieren Sie daher High-Intent-Templates und rollen Sie Schema schrittweise aus, statt blind jeden Footer-Link zu typisieren.

Agentisches Web als nächster Sichtbarkeitskanal

Das agentische Web verschiebt die Frage von „Ranken wir auf Position drei?“ zu „Kann ein System unsere Inhalte zuverlässig auswählen und weiterverarbeiten?“. Schema-Markup ist dafür kein Garant für Zitate in ChatGPT oder Copilot, aber ein notwendiger Baustein – analog zu sauberem HTML für Crawler in den 2000er-Jahren. Teams, die heute strukturierte Daten pflegen, bauen die Schnittstelle, über die morgen Agenten Produkte vergleichen, Termine buchen oder Support-Anfragen vorbereiten.

Wer NLWeb und ähnliche Initiativen verfolgt, sollte Piloten auf klar abgegrenzten URL-Sets starten: etwa FAQ-Hubs, Kernprodukte oder Support-Bereiche mit hohem Automatisierungspotenzial. Messen Sie, ob strukturierte Antworten Fehlerquoten in internen Tests senken, bevor Sie flächendeckend investieren. So bleibt Schema-Markup messbar verknüpft mit GEO-Zielen – nicht nur als theoretisches Zukunftsthema, sondern als operative Voraussetzung für Sichtbarkeit dort, wo Nutzerinnen und Nutzer zunehmend KI-Assistenten statt klassischer SERPs öffnen.