Schema.org auf WordPress: Welche strukturierten Daten deine Marke in KI-Antworten sichtbar machen (Checkliste 2026)

Strukturierte Daten gelten seit Jahren als technische Pflichtübung. Mit dem Aufstieg generativer Suche ist ein zweites Versprechen hinzugekommen: Schema.org soll Marken in KI-Antworten sichtbar machen. Zwischen beiden Erwartungen liegt eine erhebliche Lücke, die sich 2026 mit belastbaren Daten schließen lässt. Dieser Leitfaden trennt Hype von Evidenz, priorisiert Schema-Typen nach tatsächlichem Nutzen und liefert eine prüfbare Checkliste für WordPress und WooCommerce. Der Fokus liegt auf drei Fragen: Was leisten strukturierte Daten belegbar, wie setzt man sie konfliktfrei um, und wie misst man die Wirkung.

TL;DR Google stellt im AI-Optimization-Guide (10.07.2026) klar: Schema ist für generative KI-Suche nicht erforderlich, ein Spezial-Markup existiert nicht. Die Ahrefs-Studie (11.05.2026) mit 1.885 Testseiten gegen 4.000 Kontrollseiten findet keinen Zitations-Uplift (AIO −4,6 %, AI Mode +2,4 %, ChatGPT +2,2 %). Korrelation ist nicht Kausalität: 53 % der KI-zitierten Seiten nutzen Schema, rund dreimal häufiger als nicht zitierte Seiten. Belegter Nutzen 2026: Rich-Result-Eligibility, Entitätsklarheit und maschinelle Eindeutigkeit. WordPress-Kern: serverseitiges JSON-LD, konfliktfrei, im Child Theme oder über ein Snippet-Plugin. Unterschätzter Hebel: Crawl-Erlaubnis für OAI-SearchBot, GPTBot und PerplexityBot in der robots.txt. Checkliste 2026 bedeutet Validierung, Monitoring und A/B-Test, nicht "Schema einbauen und hoffen".

Schema.org auf WordPress 2026: Was strukturierte Daten wirklich leisten

Die Erwartung an strukturierte Daten hat sich verschoben. Bis 2024 galt Schema.org primär als Hebel für Rich Results. Seit generative Systeme wie AI Overviews, AI Mode und ChatGPT Search Antworten aus dem Suchindex zusammensetzen, wird dasselbe Markup zusätzlich als KI-Signal gehandelt. Beide Rollen sind nicht identisch, und genau daraus entstehen die meisten Fehlannahmen.

Google beschreibt die tatsächliche Mechanik generativer Suche als Retrieval-Augmented Generation mit Query Fan-out: Das System zerlegt eine Anfrage in parallele Unterabfragen, ruft Dokumente aus dem Index ab und synthetisiert daraus eine Antwort. Schema.org ist in diesem Prozess kein eigener Ranking-Faktor. Es strukturiert Inhalte, die ohnehin im Index liegen müssen, damit sie überhaupt abrufbar sind.

Google-Statement vs. Ahrefs-Studie: der Widerspruch, der keiner ist

Googles AI-Optimization-Guide (aktualisiert 10.07.2026) formuliert es unmissverständlich: "Structured data isn't required for generative AI search, and there's no special schema.org markup you need to add." Gleichzeitig empfiehlt Google, strukturierte Daten als Teil der allgemeinen SEO-Strategie beizubehalten, weil sie die Eligibility für Rich Results unterstützen.

Die Ahrefs-Studie vom 11.05.2026 liefert dazu die bislang größte kontrollierte Gegenprobe. Ausgangspunkt war eine Korrelation: 53 % der von KI zitierten Seiten tragen Schema-Markup, und KI-zitierte Seiten nutzen JSON-LD rund dreimal häufiger als nicht zitierte. Im kontrollierten Experiment fügten 1.885 Seiten zwischen August 2025 und März 2026 JSON-LD hinzu und wurden gegen 4.000 gematchte Kontrollseiten geprüft. Ergebnis: Google AIO −4,6 %, AI Mode +2,4 %, ChatGPT +2,2 %, wobei die letzten beiden Effekte statistisch nicht von null unterscheidbar waren.

Der scheinbare Widerspruch löst sich auf. Die Korrelation beschreibt, welche Seiten zitiert werden. Das Experiment prüft, ob nachträglich hinzugefügtes Schema zusätzliche Zitate erzeugt. Beide Befunde sind vereinbar: Schema korreliert mit Zitierfähigkeit, verursacht sie aber nicht isoliert. Ein wichtiger Caveat der Studie: Untersucht wurden bereits stark zitierte Seiten mit über 100 AIO-Zitaten. Für noch nicht von KI erfasste Seiten könnte Schema beim Crawlen und Parsen unterstützen, was diese Daten nicht abbilden.

Was Schema 2026 belegbar leistet – und was nicht

Der belastbare Nutzen lässt sich auf drei Punkte verdichten. Erstens: Rich-Result-Eligibility, also die technische Voraussetzung für erweiterte Suchergebnisse. Zweitens: Entitätsklarheit, weil @id und sameAs Marke, Autor und Organisation eindeutig verknüpfen. Drittens: maschinelle Eindeutigkeit, weil strukturierte Fakten wie Preis, Verfügbarkeit und Datum ohne Interpretation lesbar sind. Für Marken, die ihre Sichtbarkeit in KI-Antworten systematisch steuern wollen, ist Schema damit ein Baustein unter mehreren. Semly verfolgt diesen Ansatz in seiner GEO-Plattform und behandelt strukturierte Daten als Faktenebene, nicht als Einzelhebel.

Welche Schema-Typen 2026 für KI-Antworten relevant sind

Die einzige belastbare Relevanzliste für Google ist die Search Gallery. Sie dokumentiert, welche Typen offiziell unterstützt werden, und umfasst unter anderem Article, Breadcrumb, Dataset, Event, Local Business, Organization, Product, Q&A, Recipe, Review Snippet, Software App, Speakable und Video. Diese Liste betrifft Rich Results, nicht KI-Zitate. Die Priorisierung für die Praxis ergibt sich aus der Kombination von Google-Unterstützung, Entitätswert und Implementierungsaufwand.

Pflicht-Typen für Marken- und Content-Seiten

Für Marken- und Content-Seiten bilden drei Typen das Fundament. Organization liefert die Entitätsbasis mit legalName, logo, Adresse und sameAs-Verweisen auf offizielle Profile. Article oder BlogPosting verankert Inhalte mit datePublished und dateModified, was als Frische-Signal dient. BreadcrumbList macht die Seitenhierarchie maschinenlesbar. Ergänzend lohnt sich Person für Autorenseiten, weil sie E-E-A-T-Signale mit der Organisation verknüpft.

E-Commerce: Product, Offer, Review, AggregateRating

Im E-Commerce ist die Kombination aus Product, Offer, Review und AggregateRating der wertvollste Block. Product transportiert Marke und Produktidentität, Offer präzisiert Preis, Währung und Verfügbarkeit, Review und AggregateRating liefern Bewertungsdaten. Google empfiehlt, Product-Markup im initialen HTML auszugeben, nicht per JavaScript nachzuladen. Für WooCommerce-Shops ist das der zentrale technische Punkt, weil serverseitig gerendertes JSON-LD zuverlässiger erfasst wird als clientseitig injiziertes Markup.

Deprecated 2026: FAQ-Rich-Result, HowTo & Co.

Google hat das FAQ-Rich-Result am 07.05.2026 entfernt; der Search-Console-Report und die API-Unterstützung wurden bis Juni und August 2026 zurückgebaut. Der Schema.org-Typ FAQPage bleibt gültig und kann weiterhin zur Strukturierung beitragen, erzeugt aber kein sichtbares Google-Ergebnis mehr. HowTo ist als Rich Result bereits seit 2023 deprecated. Weitere 2025 entfernte Typen sind Book Actions, Course Info, Claim Review und Estimated Salary. Diese Markups schaden nicht, sollten aber nicht als Sichtbarkeitshebel eingeplant werden.

WordPress-Umsetzung: JSON-LD serverseitig, konfliktfrei, wartbar

Die technische Entscheidung folgt einem klaren Kriterium: Schema muss serverseitig im HTML ankommen. Google empfiehlt JSON-LD als Format, weil es vom Markup getrennt im <head> oder <body> liegt und sich unabhängig vom Template pflegen lässt. Microdata und RDFa bleiben funktionsfähig, sind aber wartungsintensiver – ein Vergleich der Formate für GEO in KI lohnt sich. Für KI-Crawler gilt zusätzlich: serverseitig gerendertes JSON-LD ist robuster als per JavaScript injiziertes Markup.

Manuelles JSON-LD vs. Plugin: Entscheidungskriterien

Methode A platziert JSON-LD über den wp_head-Hook in der functions.php eines Child Themes. Conditionals wie is_single(), is_page() oder is_front_page() steuern, welcher Typ auf welcher Seite ausgegeben wird. wp_json_encode() erzeugt dabei valides JSON-LD und maskiert Sonderzeichen korrekt. Eine minimale Skizze:

add_action('wp_head', function () { if (is_single()) { echo '<script type="application/ld+json">' . wp_json_encode($data) . '</script>'; } });

Methode C, also Plugins wie Rank Math, Yoast SEO, Schema Pro oder AIOSEO, senkt die Einstiegshürde und bietet Vorlagen sowie WooCommerce-Integration. Der Preis ist Kontrollverlust: Plugins erzeugen häufig generisches oder doppeltes Markup, und mehrere gleichzeitig aktive Schema-Module sind eine der häufigsten Konfliktquellen. Die Entscheidung fällt damit über drei Kriterien: Grad der Individualisierung, verfügbares PHP-Know-how und Anzahl der Content-Typen. Bei wenigen, klar definierten Typen ist manuelles JSON-LD schlanker und langfristig wartbarer.

@id, sameAs und Entitätsverknüpfung richtig aufbauen

Entitätsklarheit entsteht durch Verknüpfung, nicht durch Menge. Jede Entität erhält eine stabile @id, typischerweise als URL mit Fragment, etwa https://example.com/#organization. Article verweist über publisher und author auf die @id von Organization und Person. sameAs verbindet die Organisation mit offiziellen Profilen und schafft damit eine eindeutige Referenz. Diese Verknüpfung ist der eigentliche Mehrwert für maschinelle Systeme: Sie können Marke, Autor und Inhalt als zusammenhängenden Graph auflösen statt als isolierte Fragmente.

Duplikate und Konflikte vermeiden

Duplikate entstehen, wenn Theme und Plugin denselben Typ ausgeben oder mehrere Plugins parallel Schema generieren. Die Gegenmaßnahmen sind technisch einfach: nur eine Quelle pro Typ, Plugin-Schema deaktivieren, wenn manuell ausgegeben wird, und die tatsächliche Ausgabe im Quelltext prüfen statt der Plugin-Oberfläche zu vertrauen. Ein widersprüchliches Markup, etwa zwei unterschiedliche Preise für dasselbe Produkt, ist schlechter als gar kein Markup, weil es die maschinelle Eindeutigkeit zerstört.

Checkliste 2026: Schema.org auf WordPress prüfen und messen

Die folgende Checkliste gliedert 15 Prüfpunkte in drei Blöcke. Sie ist als wiederkehrender Prozess angelegt, nicht als einmalige Implementierung.

Block 1: Technische Validierung

1. Google Rich Results Test ausführen und Eligibility je Typ prüfen; Fehler beheben, Warnungen bewerten.
2. Schema Markup Validator (validator.schema.org) für Typen ohne Rich Result nutzen, um Syntax und Logik zu prüfen.
3. Chrome DevTools oder View Source verwenden, um application/ld+json in der tatsächlichen Ausgabe zu verifizieren.
4. Google Search Console unter Enhancements prüfen und nach Korrekturen "Validate Fix" auslösen.
5. Deprecated-Typen identifizieren: HowTo, FAQ-Rich-Result, Book Actions, Course Info, Claim Review, Estimated Salary.

Block 2: Inhaltlich-strukturelle Kriterien

6. JSON-LD als Format verwenden, nicht Microdata oder RDFa.
7. Sicherstellen, dass Markup und sichtbarer Seiteninhalt übereinstimmen.
8. @id-Verknüpfung zwischen Article, Organization, Person und BreadcrumbList aufbauen.
9. sameAs für Organization und Person pflegen.
10. datePublished und dateModified aktuell halten.
11. Duplikate durch mehrere Plugins ausschließen.
12. Crawl-Erlaubnis für OAI-SearchBot, GPTBot und PerplexityBot in der robots.txt prüfen.

Block 3: Monitoring von KI-Antworten

13. Regelmäßige Prompts in ChatGPT, Gemini, Perplexity und AI Overviews zu Marken- und Themen-Queries ausführen.
14. Den Generative-AI-Performance-Report in der Search Console für AI-Feature-Sichtbarkeit auswerten.
15. Eine eigene A/B-Teststruktur mit Test- und Kontrollseiten über mindestens 30 Tage aufsetzen.

Na co uważać Markup, das nicht dem sichtbaren Inhalt entspricht, kann zu einer Manual Action führen und die Rich-Result-Eligibility kosten. Besonders kritisch sind erfundene Bewertungen und Ratings. Prüfen Sie zusätzlich auf doppelte Schema-Ausgaben durch parallel aktive Plugins, bevor Sie neue Typen ergänzen.

Technische Validierung in 5 Schritten

Die Validierung folgt einer festen Reihenfolge. Zuerst prüft der Rich Results Test die Eligibility für unterstützte Typen. Danach deckt der Schema Markup Validator Typen ab, die kein Rich Result erzeugen. Anschließend bestätigt die Quelltextprüfung, dass das Markup tatsächlich ausgeliefert wird. Die Search Console liefert den Status über Zeit, und der abschließende Deprecated-Check verhindert, dass Ressourcen in wirkungslose Typen fließen.

Monitoring von KI-Antworten

Monitoring trennt Erwähnung von Zitation. Eine Marke kann in einer KI-Antwort genannt werden, ohne als Quelle verlinkt zu sein. Der Semly-Sichtbarkeitsbericht 2026 zeigt für E-Commerce-Shops, dass nur rund 30 % der Antworten mit Erwähnung auch eine Zitation enthielten. Wer Schema als Sichtbarkeitsmaßnahme bewertet, sollte daher beide Metriken getrennt erfassen: Mention Rate und Citation Rate. Semly überwacht Prompts, Quellen und Wettbewerber und macht diese Unterscheidung messbar.

A/B-Test analog Ahrefs-Methodik

Ein belastbarer Test braucht Test- und Kontrollgruppe. Definieren Sie Seiten, die Schema erhalten, und gematchte Seiten ohne Änderung. Messen Sie über mindestens 30 Tage, erfassen Sie Baseline und Endwert und vergleichen Sie die Differenz statt absoluter Werte. Die Ahrefs-Methodik mit 1.885 Testseiten und 4.000 Kontrollseiten zeigt den Maßstab: Ohne Kontrollgruppe lässt sich ein Effekt nicht von allgemeinen Schwankungen trennen.

Typische Fehler und Grenzen

Die wichtigste Grenze ist die Wirkung selbst. Schema garantiert weder ein Rich Result noch eine KI-Zitation. Google formuliert es als Eligibility: Markup ermöglicht ein Feature, es verspricht es nicht. Die Ahrefs-Daten zeigen zusätzlich, dass auf bereits sichtbaren Seiten kein Zitations-Uplift entsteht. Wer Schema als alleinigen GEO-Hebel plant, investiert in einen Baustein und erwartet die Wirkung eines Systems.

Fazit: Schema als Hygiene-Faktor, nicht als Ranking-Hack

Strukturierte Daten sind 2026 kein Zitationshebel, sondern eine Grundlage. Der belegte Nutzen liegt bei Rich-Result-Eligibility, Entitätsklarheit und maschineller Eindeutigkeit. Für WordPress bedeutet das: serverseitiges JSON-LD, konfliktfrei implementiert, mit klarer Priorisierung nach Typ und Aufwand. Der unterschätzte Hebel liegt daneben in der Crawl-Erlaubnis für KI-Bots, denn ohne Zugriff entsteht keine Sichtbarkeit, unabhängig von der Markup-Qualität.

Was als Nächstes zu tun ist

1. Bestandsaufnahme: Prüfen Sie mit dem Rich Results Test und dem Schema Markup Validator, welche Typen aktuell ausgeliefert werden und wo Duplikate entstehen.
2. Priorisieren und umsetzen: Starten Sie mit Organization, Article und BreadcrumbList, ergänzen Sie im E-Commerce Product, Offer, Review und AggregateRating.
3. Messen: Erfassen Sie Mention Rate und Citation Rate getrennt und testen Sie Änderungen über mindestens 30 Tage gegen eine Kontrollgruppe.

Semly unterstützt diesen Prozess als GEO-Plattform für AI-Sichtbarkeit. Der Leon AI Agent prüft schema.org, llms.txt und robots.txt automatisiert, die Wissensdatenbank verbindet llms.txt mit JSON-LD, und die WooCommerce- und WordPress-Integration erlaubt die Analyse von Produkt- und Store-Daten über einen API-Key. So wird aus einer technischen Einzelmaßnahme ein messbarer Prozess.

FAQ

Bringt Schema.org mehr KI-Zitate? Die belastbarste kontrollierte Evidenz zeigt keinen Zitations-Uplift durch nachträglich hinzugefügtes JSON-LD. Die Ahrefs-Studie vom 11.05.2026 mit 1.885 Testseiten und 4.000 Kontrollseiten ergab für AI Mode +2,4 % und ChatGPT +2,2 %, beide statistisch nicht von null unterscheidbar, sowie −4,6 % für Google AIO. Der belegte Nutzen liegt bei Rich-Result-Eligibility und Entitätsklarheit.

Plugin oder eigenes Code-Snippet für JSON-LD? Das hängt von Individualisierungsgrad, PHP-Kenntnissen und Anzahl der Content-Typen ab. Manuelles JSON-LD über den wp_head-Hook in einem Child Theme bietet die höchste Kontrolle und vermeidet Duplikate. Plugins senken die Einstiegshürde, erzeugen aber häufiger generisches oder doppeltes Markup. Entscheidend ist, dass pro Typ nur eine Quelle aktiv ist.

Ist FAQPage 2026 noch sinnvoll? Der Schema.org-Typ bleibt gültig, das FAQ-Rich-Result wurde jedoch am 07.05.2026 entfernt. FAQPage erzeugt damit kein sichtbares Google-Ergebnis mehr. Als strukturelles Signal für Frage-Antwort-Inhalte kann es weiterhin eingesetzt werden, sollte aber nicht als Sichtbarkeitshebel eingeplant werden.

Welche Schema-Typen zuerst umsetzen? Für Marken- und Content-Seiten sind Organization, Article und BreadcrumbList die Basis, weil sie Entitätsklarheit und Frische abbilden. Im E-Commerce folgt die Kombination aus Product, Offer, Review und AggregateRating. Diese Typen haben niedrigen bis mittleren Aufwand und sind offiziell von Google unterstützt.

Wie lässt sich die Wirkung von Schema messen? Über drei Ebenen: technische Validierung mit Rich Results Test und Schema Markup Validator, Monitoring von Mention Rate und Citation Rate in KI-Antworten sowie ein A/B-Test mit Test- und Kontrollseiten über mindestens 30 Tage. Der Generative-AI-Performance-Report in der Search Console ergänzt die Auswertung um AI-Feature-Sichtbarkeit.