Die kurze Antwort: ja — aber nicht aus den Gründen, die du auf LinkedIn liest.
LLMs ziehen ihre Antworten nicht direkt aus deinem JSON-LD-Block. Sie sehen ihn trotzdem. Und wenn du ihn richtig einsetzt, hilft er deiner Marke, in ChatGPT, Perplexity, Gemini und Google AI Overviews als Entität sauber identifiziert zu werden.
Genau hier liegt das Missverständnis. Schema ist 2026 kein Citation-Hebel. Es ist ein Identitäts-Hebel.
Der Unterschied entscheidet darüber, ob du dein Schema-Setup in zwei Stunden ausräumst — oder vier Wochen lang Felder füllst, die nie ankommen.
Warum die Schema-Debatte so widersprüchlich ist
Auf LinkedIn lese ich diese Woche zwei Aussagen, die sich auf den ersten Blick ausschließen.
Olaf Kopp fragt offen, wie wichtig Schema noch ist — und gibt die nuancierte Antwort: aus technischer Sicht nicht binär. Eddy T. argumentiert parallel, AI-Agenten würden „scannen, nicht lesen” — Schema, klare Struktur und APIs würden zur eigentlichen Sichtbarkeitsstrategie.
Beide haben recht. Sie reden nur über unterschiedliche Schichten desselben Problems.
LLMs verarbeiten Sprache, nicht Strukturen. Wenn ein User ChatGPT fragt „Was ist die beste Sprachschule in München”, durchsucht das Modell keine Schema-Datenbanken. Es synthetisiert eine Antwort aus dem, was es im Trainings- und Retrieval-Korpus über deine Marke gelernt hat.
Was es vorher gelernt hat, kommt aber genau daher, wo Schema wirkt: aus den Crawler-Pipelines, die dein JSON-LD parsen, in Knowledge Graphs einsortieren und an die Modelle weiterreichen.
Schema ist also nicht das, was zitiert wird. Es ist das, was hilft, dass du sauber zitiert werden kannst.
Was LLMs technisch mit Schema machen — und was nicht
Bringen wir es auf den Boden der Tatsachen.
LLM-Crawler (GPTBot, OAI-SearchBot, ClaudeBot, PerplexityBot, Googles AI-Pipelines) holen sich Webseiten, parsen den HTML-DOM und extrahieren Text plus strukturierte Signale. JSON-LD ist eines dieser Signale — und das sauberste, weil es vom Body-Text getrennt liegt.
Was passiert dann? Drei Dinge.
Erstens: Brand-, Personen- und Organisationsdaten gehen direkt in Entitäten-Index. Das ist die Grundlage für alle „Wer ist X”-Antworten in ChatGPT und Co.
Zweitens: Article- und FAQ-Schema helfen, Inhaltsblöcke korrekt zu chunken. Ein FAQ mit sauberem Schema wird vom Crawler erkennbar als Frage-Antwort-Paar — nicht als Fließtext, aus dem man die Frage erst rausarbeiten muss.
Drittens: Product- und Review-Schema landen in Vergleichsdatenbanken, die LLMs für „Best of”-Antworten anzapfen.
Was Schema nicht macht: dem LLM live in der Antwortgenerierung helfen. Das Modell ruft dein JSON-LD nicht ab, wenn es deine Antwort baut. Es nutzt das, was vorher in seinen Index gelandet ist.
Search Engine Land fasst es nüchtern zusammen: Schema reduziert Ambiguität, ist aber kein direkter Ranking-Faktor in LLM-Antworten. Studien zeigen sogar, dass Sites mit umfangreichem Schema nicht automatisch häufiger zitiert werden als Sites mit minimalem Schema.
Das klingt nach Entwarnung. Ist es aber nicht.
Wo Schema für GEO 2026 echten Hebel hat
Dort, wo Identität und Eindeutigkeit zählen, ist Schema unbezahlbar.
Brand- und Entity-Schema. Olaf Kopps Konzept der Brand Identity Blocks beschreibt das gut: Article-, WebPage- und Organization-Schema mit konsistenten Brand-Attributen helfen LLMs, deine Marke sauber von ähnlich klingenden Entitäten zu trennen.
In meinen Multi-Markt-Projekten ist das der Schritt mit dem höchsten ROI — weil Markenverwechslungen in lokalen Märkten an der Tagesordnung sind. Eine deutsche Übersetzungsagentur namens „Polyglot” konkurriert mit einem amerikanischen Sprachlern-SaaS gleichen Namens. Ohne sauberes Organization-Schema entscheidet das LLM in 30 % der Fälle falsch.
FAQ-Schema, sparsam und exakt. Wenn du eine FAQ-Sektion hast und sie wirklich eigenständige Fragen beantwortet, dann gehört sauberes FAQPage-Markup darunter. Crawler parsen es als zitierbaren Block. Ich sehe in meinen RankScale-Daten regelmäßig, dass Sätze aus FAQ-Schema in Perplexity- und Gemini-Antworten auftauchen — fast unverändert.
Das funktioniert nur, wenn die FAQ wirklich eigenständig ist. FAQ-Schema auf Pseudo-Fragen („Was ist Marketing?” auf einer Marketingberatung-Seite) ist Performance-Theater.
Product- und Review-Schema im Affiliate-Kontext. Für jeden, der Tools, Bücher oder Services rezensiert, ist Review-Schema ein Hebel. LLMs bauen damit Vergleichstabellen auf, die in „Best of”-Antworten eingespielt werden. Das ist der Spot, wo dein Affiliate-Inhalt mit der Vendor-Seite konkurriert — und sauberes Schema entscheidet, wer als unabhängige Stimme erkannt wird.
Author- und SameAs-Felder. LinkedIn-Profil, ORCID, Wikipedia-Eintrag — alles, was Author-Identität in den Knowledge Graph zurückbindet. Das wird oft vergessen und ist gleichzeitig eines der wichtigsten Trust-Signale für GEO. LLMs lieben Autoren mit nachvollziehbarer Reputation.
Wo Schema 2026 überschätzt wird
Schema-Theater ist real. Drei Bereiche, in denen ich regelmäßig erlebe, dass Aufwand und Wirkung sich nicht decken.
Speakable-Markup für Voice Search. War 2018 ein Hype. Ist heute weitgehend irrelevant. Voice-fähige LLMs lesen einfach den Body-Text vor.
Generisches Article-Schema ohne erweiterte Felder. Author, datePublished, headline — fertig. Bringt minimal. Wenn du Article-Schema einsetzt, dann mit author.sameAs, mainEntityOfPage und einem präzisen articleSection. Sonst lass es weg.
HowTo-Schema seit Googles Rückbau. Google hat den Rich-Snippet-Support stark reduziert. Für GEO bringt es weiterhin etwas — aber nur in technischen, schritt-orientierten Inhalten. In Marketing- oder Business-Content ist es überflüssig.
Kurz: Wenn du Schema einsetzt, dann mit dem Anspruch, dass es etwas Eindeutiges sagt. Sonst ist Weglassen besser als halbherzig Füllen.
Meine Schema-Prioritätsliste 2026 für GEO-Sichtbarkeit
Wenn ich heute eine Website aufsetze, die in AI-Suchmaschinen sichtbar werden soll, sieht meine Priorität so aus:
Pflicht — auf jeder relevanten Seite:
- Organization (sitewide, mit logo, sameAs zu Social Profiles, contactPoint)
- WebSite (mit potentialAction für Sitelinks Searchbox)
- BreadcrumbList (für Hierarchie-Verständnis)
Stark empfohlen, kontextabhängig:
- Article mit author.sameAs für jede Content-Page
- FAQPage, wo eigenständige Fragen vorhanden sind
- Person für Author-Bios mit Verlinkung in Knowledge Graphs
Selektiv, nur wenn relevant:
- Product / SoftwareApplication für Tool-Reviews
- Review / AggregateRating für Bewertungsinhalte
- Course / Event / LocalBusiness, wenn das deinem Geschäft entspricht
Weglassen:
- Speakable
- Generisches Article ohne erweiterte Felder
- Schema-Felder, deren Werte du raten musst
Search Engine Land hat in seinem Ausblick auf 2026 treffend formuliert, dass technische SEO komplexer wird — aber gleichzeitig auf wenige, hochwertige Signale verdichtet. Schema folgt diesem Muster. Lieber drei sauber, als fünfzehn halbgar.
Der internationale Twist: Schema in Multi-Markt-Setups
Hier wird es interessant — und in meiner Beratungspraxis fast immer falsch gemacht.
Pro Sprache eigenes Schema. Wenn du hreflang-Varianten für DE, FR und EN hast, braucht jede Sprachversion ihr eigenes lokalisiertes JSON-LD. Nicht das deutsche Article-Schema auf der französischen Seite. Klingt offensichtlich, scheitert in 70 % der Implementierungen, die ich auditiere.
Organization einmal pro Markt-Entität. Eine globale Marke mit lokalen Tochtergesellschaften braucht differenzierte Organization-Schemas. Adresse, Sprache, Telefonnummer, lokale sameAs-Profile (deutsche LinkedIn-Page der DACH-Tochter, nicht das Headquarter-Profil).
inLanguage als Pflichtfeld. Wird ständig vergessen. LLMs nutzen das Feld, um zu entscheiden, in welcher Antwort-Sprache deine Inhalte als Quelle infrage kommen. Ohne inLanguage rutscht dein deutscher Artikel in englische Antworten — wo er nichts verloren hat.
Wenn du in mehreren Märkten arbeitest, ist Schema kein nettes Plus. Es ist Bedingung dafür, dass deine Marke pro Markt korrekt verstanden wird.
So prüfst du, ob dein Schema wirklich ankommt
Drei Schritte, je 10 Minuten.
Schritt 1: Markup syntaktisch validieren. Googles Rich Results Test und Schema.org Validator. Beide kostenlos, beide eindeutig. Wenn das nicht clean ist, brauchst du den Rest nicht zu prüfen.
Schritt 2: Crawler-Sicht prüfen. Schau in der Google Search Console unter „Erweiterte Suchergebnisse”, welches deiner Schemas tatsächlich erkannt und gerendert wird. Wenn FAQ-Schema da ist, aber Google es ignoriert, hast du ein Problem in der HTML-Implementation oder im Inhalt selbst.
Schritt 3: GEO-Sichtbarkeit messen. Hier kommt der Punkt, an dem klassische SEO-Tools nicht mehr reichen. Du willst wissen, ob deine Marke und deine Inhalte in ChatGPT, Perplexity, Gemini und Claude tatsächlich auftauchen — und ob deine Schema-Investitionen Wirkung zeigen.
Ich nutze dafür RankScale. Das Tool trackt pro Query, pro Engine und pro Markt, wo deine URL als Quelle in AI-Antworten erscheint. Wenn du nach einem Schema-Rollout siehst, dass deine Marke plötzlich in mehr Brand-Queries als Entität erkannt wird, hast du eine direkte Wirkungsmessung. Ohne so ein Tool tappst du im Dunkeln.
Der Weg vorwärts: Schema als Identitätsschicht denken
Hör auf, Schema als Citation-Trick zu denken. Es ist eine Identitätsschicht.
Es macht für LLMs eindeutig, wer du bist, was du anbietest und wie du in welchen Märkten erreichbar bist. Diese Identität ist das, was LLMs als Grundlage nutzen, wenn sie deine Marke in Antworten einbauen. Inhalt zitieren sie aus dem Body-Text. Vertrauen ziehen sie aus dem Schema.
Wenn du heute drei Stunden investieren willst, fang mit Organization, WebSite und Author-Schema an. Pro Markt, pro Sprache, mit konsistenten sameAs-Profilen. Das ist der Hebel.
Der Rest folgt aus dem, was dein Content-Modell hergibt.
Häufige Fragen zu Schema Markup und GEO
Lesen ChatGPT und Perplexity überhaupt mein JSON-LD Schema?
Nicht in der Antwortgenerierung selbst. Aber die Crawler dieser Anbieter (GPTBot, PerplexityBot) parsen Schema beim Indexieren und nutzen es, um Entitäten und Inhaltsblöcke korrekt einzuordnen. Die Wirkung ist indirekt — über sauberere Brand-Erkennung und besseres Chunking deines Contents.
Welches Schema sollte ich 2026 als Erstes implementieren?
Organization, WebSite und BreadcrumbList sitewide. Article mit author.sameAs auf Content-Pages. Das deckt 80 % der GEO-relevanten Identitätssignale ab. Alles andere kommt erst, wenn diese Basis sauber sitzt.
Schadet falsches oder übertriebenes Schema meiner GEO-Sichtbarkeit?
Ja. Schema-Spam, Pseudo-FAQs oder geratene Werte signalisieren Crawlern Unzuverlässigkeit. LLMs trainieren ihre Vertrauenslogik auf konsistente Signale — wer Schema falsch nutzt, baut aktiv Misstrauen auf. Lieber wenig und sauber als viel und halbgar.
Brauche ich pro Sprachversion eigenes Schema?
Ja. Jede hreflang-Variante braucht lokalisiertes JSON-LD mit eigenem inLanguage-Feld, lokalisierten Inhalten und passenden Brand-Attributen. Ein deutsches Article-Schema auf der französischen Variante ist ein häufiger und teurer Fehler in internationalen Setups.
Wie messe ich, ob Schema-Markup meine GEO-Sichtbarkeit verbessert?
Mit einem GEO-Monitoring-Tool wie RankScale, das pro Engine, pro Query und pro Markt trackt, wo deine Marke als Quelle erscheint. Vor einem Schema-Rollout den Status quo dokumentieren, dann zwei bis vier Wochen nach Implementierung erneut messen. Direkte Korrelation ist nie sauber — aber die Trendrichtung ist eindeutig erkennbar.
