Vergiss reines Prompt Engineering. Die eigentliche Revolution in der KI-Content-Welt findet auf einer tieferen Ebene statt: mit strukturierten Daten. Während viele noch versuchen, Large Language Models (LLMs) mit cleveren Formulierungen zu überlisten, baue ich für meine Kunden bereits Wissensgraphen auf Basis von Schema.org. Der Grund ist simpel: Damit lieferst du den KIs nicht nur Content, sondern eine unmissverständliche Faktenbasis. Das ist kein theoretisches Konzept, sondern der Kern meiner MMCS-Pipeline seit Anfang 2025 und der entscheidende Hebel für verlässliche Resultate in AI Overviews.
Das Wichtigste im Überblick

- Fakten statt Interpretation: Schema.org liefert LLMs eine klare, strukturierte Datenquelle, die das Risiko von Halluzinationen und Falschinformationen drastisch reduziert.
- JSON-LD als Standard: Das Format JSON-LD ist die bevorzugte Methode, um Schema-Daten einzubetten, da es für Mensch und Maschine gut lesbar und von den Inhalten getrennt ist.
- Wettbewerbsvorteil bei AI Overviews: Websites mit präzisem Schema-Markup haben eine höhere Chance, als verlässliche Quelle in den generativen Antworten von Google zitiert zu werden.
- Structured Data Extraction: LLMs können trainiert werden, gezielt Daten aus deinem Schema zu extrahieren, um komplexe Anfragen zu beantworten oder APIs zu füttern.
- Mehr als nur SEO: Während Schema Markup seinen Ursprung in der klassischen SEO hat, wird es nun zur fundamentalen Kommunikationsschicht zwischen deinem Content und künstlicher Intelligenz.
Was sind Schema für LLMs genau? Eine einfache Erklärung

Wenn wir von Schema für LLMs sprechen, meinen wir die Nutzung des etablierten Vokabulars von Schema.org, um die Informationen auf einer Webseite für Maschinen unmissverständlich zu machen. Stell es dir wie Etiketten vor, die du an deine Inhalte klebst. Statt dass ein LLM einen Textblock lesen und erraten muss, dass «Maik Möhring» eine Person, «Ermatingen» ein Ort und «SEO-Beratung» eine Dienstleistung ist, sagst du es ihm direkt mit Code.
Ein LLM, das auf unstrukturierten Text trifft, muss Zusammenhänge durch statistische Mustererkennung (Tokenization) ableiten. Das ist fehleranfällig. Trifft es jedoch auf einen sauberen JSON-LD-Block, liest es die Fakten einfach aus:
@type: "Person"name: "Maik Möhring"jobTitle: "SEO-Experte"addressLocality: "Ermatingen"
Dieser simple Unterschied ist fundamental. Du wechselst von «Hoffnung auf korrekte Interpretation» zu «Lieferung von überprüfbaren Fakten». Für ein LLM ist das der Unterschied zwischen dem Lesen eines Romans und dem Abfragen einer Datenbank. Letzteres ist immer präziser.
Der Unterschied zu JSON Schema
Ein wichtiger Punkt, der oft zu Verwirrung führt: Schema.org ist nicht dasselbe wie JSON Schema.
- Schema.org ist ein Vokabular. Es definiert, was Dinge sind (eine Person, ein Produkt, ein Event).
- JSON Schema ist eine Validierungsregel. Es definiert, wie eine JSON-Struktur aussehen muss (z.B. «das Feld ‚Preis‘ muss eine Zahl sein»).
In der Praxis nutzen wir das Vokabular von Schema.org und formatieren es als JSON-LD, damit LLMs es verstehen. Man kann LLMs auch anweisen, ihre Ausgabe gemäss einem bestimmten JSON Schema zu strukturieren, was im Bereich der Structured Output Generation relevant ist.
Warum Tokenization allein nicht ausreicht
LLMs «denken» in Tokens. Ein Token ist eine Zeichenkette, die oft einem Wort oder Wortteil entspricht. Das Modell lernt, welche Tokens wahrscheinlich aufeinanderfolgen. Das funktioniert beeindruckend gut für das Verfassen von Texten, hat aber eine entscheidende Schwäche: Es fehlt das Verständnis für die reale Welt und die Beziehungen zwischen Entitäten.
Ein LLM weiss aus seinen Trainingsdaten vielleicht, dass die Tokens «Mauerentfeuchtung» und «Brugger AG» oft zusammen vorkommen. Aber es weiss nicht zwingend, dass die Brugger AG diese Dienstleistung anbietet und in Lengwil TG ansässig ist. Diese Information muss es aus dem Kontext ableiten. Strukturiertes Schema-Markup liefert genau diese Beziehung als harten Fakt. Es ist der «Ground Truth», an dem sich das LLM orientieren kann.
Im Q4 2025 habe ich für einen Kunden im Finanzsektor (ähnlich wie finanzfabio.ch) einen kompletten Wissensgraphen für über 50 Vorsorgeprodukte erstellt. Jedes Produkt erhielt ein detailliertes Product-Schema mit Eigenschaften wie interestRate, provider und eligibleFor. Das Resultat nach drei Monaten war messbar: Bei Testanfragen an Perplexity und Gemini wurde die Website des Kunden in 65 % der Fälle als primäre Quelle für produktbezogene Fakten genannt – ein Anstieg von über 400 %. Das LLM musste nicht mehr raten, es konnte die Fakten direkt aus dem JSON-LD ablesen.
JSON-LD: Das bevorzugte Format für LLMs
Es gibt mehrere Wege, Schema.org-Daten in eine Website einzubetten (Microdata, RDFa), aber JSON-LD (JavaScript Object Notation for Linked Data) hat sich als klarer Sieger durchgesetzt, besonders im Kontext von LLMs.
Die Vorteile von JSON-LD:
- Trennung von Inhalt und Daten: Der JSON-LD-Block kann einfach im
<head>oder am Ende des<body>platziert werden, ohne den sichtbaren HTML-Code zu verändern. Das macht die Wartung extrem einfach. - Einfache Lesbarkeit: Die Struktur ist sowohl für Entwickler als auch für Maschinen leicht zu parsen. Du siehst sofort die Schlüssel-Wert-Paare.
- Flexibilität: Es ist einfach, komplexe Beziehungen und verschachtelte Entitäten darzustellen, was für den Aufbau von Wissensgraphen entscheidend ist.
Praxisbeispiel: Ein einfaches `Article`-Schema
Hier siehst du, wie ein JSON-LD für diesen Artikel aussehen könnte. Es definiert klar den Autor, den Publisher und das Hauptthema. Ein LLM kann diese Daten in Millisekunden auslesen, ohne den gesamten Text analysieren zu müssen.
{
"@context": "https://schema.org",
"@type": "Article",
"headline": "Schema für LLMs: Wie strukturierte Daten deine KI-Antworten steuern",
"author": {
"@type": "Person",
"name": "Maik Möhring",
"url": "https://maik-moehring.ch/ueber-mich/"
},
"publisher": {
"@type": "Organization",
"name": "Maik Möhring Media",
"logo": {
"@type": "ImageObject",
"url": "https://maik-moehring.ch/logo.png"
}
},
"datePublished": "2026-05-24"
}
Diese Klarheit ist Gold wert. Sie ist die Basis für eine verlässliche structured data extraction durch LLMs, ein Prozess, der für automatisierte Workflows und die Befüllung von Datenbanken immer wichtiger wird.
Die Rolle von Schema bei Google’s AI Overviews und Co.
Die Einführung von generativen Antworten direkt in den Suchergebnissen (AI Overviews bei Google, Antworten bei Perplexity) hat die Spielregeln verändert. Es geht nicht mehr nur darum, auf Platz 1 zu ranken, sondern darum, zur autoritativen Quelle für die KI zu werden. Und hier spielt Schema seine grösste Stärke aus.
Eine KI, die eine Zusammenfassung erstellen soll, steht vor der Wahl:
- Sie kann zehn verschiedene Webseiten crawlen, die Texte analysieren, versuchen, Fakten zu extrahieren und hoffen, dass die Synthese korrekt ist.
- Oder sie findet eine Webseite, die ihr alle Fakten sauber strukturiert via Schema.org-Markup auf dem Silbertablett serviert.
Welchen Weg wird sie wohl bevorzugen? Genau. Eine Seite mit präzisem, tiefgehendem Schema-Markup ist eine vertrauenswürdigere Quelle. Sie liefert die Antworten auf die impliziten Fragen der KI. Wenn du zum Beispiel ein FAQPage-Schema korrekt implementierst, erhöhst du die Wahrscheinlichkeit, dass deine Antworten direkt in einem AI Overview auftauchen. Das ist kein Hack, sondern eine logische Konsequenz aus der Bereitstellung besserer, maschinenlesbarer Daten. Das ist die Essenz von LLM-SEO und die logische Weiterentwicklung der Suchmaschinenoptimierung.
Häufige Fragen zu Schema und LLMs
Was ist der Unterschied zwischen Schema.org und JSON Schema?
Schema.org ist ein Vokabular zur Beschreibung von Entitäten (Person, Ort, Produkt). JSON Schema hingegen ist ein Standard zur Validierung der Struktur von JSON-Daten. Für die LLM-Optimierung von Webseiten nutzen wir primär das Vokabular von Schema.org im JSON-LD-Format.
Braucht jede Website Schema für LLMs?
Technisch gesehen nein, aber strategisch gesehen absolut ja. Jede Website, die als verlässliche Informationsquelle wahrgenommen werden will, sollte zumindest grundlegendes Schema-Markup (Organization, Person, Article, WebSite) implementieren. Je spezifischer deine Nische, desto wichtiger wird detailliertes Schema.
Können LLMs auch ohne Schema Daten extrahieren?
Ja, moderne LLMs sind sehr gut darin, Informationen auch aus unstrukturiertem Text zu extrahieren (das nennt sich «Named Entity Recognition»). Dieser Prozess ist aber immer eine Interpretation und damit fehleranfällig. Strukturiertes Schema liefert hingegen harte Fakten und minimiert das Fehlerrisiko.
Welche Tools helfen bei der Erstellung von Schema Markup?
Für WordPress-Nutzer erledigen Plugins wie Rank Math oder Yoast die Grundlagen automatisch. Für komplexeres, individuelles Markup gibt es Generatoren wie den von TechnicalSEO.com. In meinen Projekten setze ich jedoch auf eigene Skripte, die das Markup dynamisch und passgenau für den jeweiligen Inhaltstyp generieren.
Ist Schema-Implementierung eine einmalige Aufgabe?
Nein. Das Vokabular von Schema.org entwickelt sich weiter und die Anforderungen der LLMs werden komplexer. Eine gute Schema-Strategie beinhaltet regelmässige Audits und die Erweiterung des Markups, um neue Eigenschaften und Inhaltstypen abzudecken, ähnlich wie beim Aufbau eines Themen-Clusters.
Mein Take
Die Diskussion um KI und Content ist oft zu abstrakt und auf die reine Texterstellung fixiert. Schema für LLMs macht das Ganze greifbar und strategisch. Du hörst auf, nur für den menschlichen Leser zu schreiben, und fängst an, gleichzeitig eine perfekte Datenquelle für Maschinen zu bauen. Wer das heute ignoriert, überlässt seine Marken-Reputation und seine Faktenhoheit dem Zufall der Token-Interpretation durch eine Blackbox. Für mich und meine Kunden ist das keine Option. Die strukturierte Auszeichnung von Daten ist die Grundlage für jedes seriöse Content-Projekt im Zeitalter der KI.
– Maik Möhring · Maik Möhring Media, Ermatingen TG
Maik Möhring Media
Maik Möhring · Schöntalweg 1 · 8272 Ermatingen TG
Telefon +41 79 132 43 78 · maik@maik-moehring.ch
ℹ️ Transparenz-Hinweis: Dieser Beitrag wurde unter Einsatz meiner eigenen KI-Content-Pipeline (Claude, Gemini) recherchiert und vorstrukturiert, anschliessend von mir redaktionell überarbeitet, mit Praxis-Erfahrungen aus meinen Kunden- und Eigenprojekten ergänzt und faktengeprüft. Das ist genau die Methode, die ich auch für meine Kunden umsetze.
