Knowledge Graph

Was ein Knowledge Graph wirklich ist

Ein Knowledge Graph speichert keine Dokumente, sondern Aussagen. Jede Aussage ist ein Tripel aus Subjekt, Prädikat und Objekt: Firma X / hat Hauptsitz in / Stuttgart. Millionenfach wiederholt entsteht daraus ein Netz aus Entitäten und typisierten Beziehungen, das eine Maschine traversieren kann, ohne den zugrunde liegenden Text je gelesen zu haben. Genau darin liegt der Unterschied zum klassischen Suchindex, der Zeichenketten auf Dokumente abbildet und die Bedeutung dem Ranking-Algorithmus überlässt.

Google hat den Begriff 2012 mit der Formel « things, not strings » in den Mainstream gebracht, die Idee selbst ist älter und stammt aus der Semantic-Web-Forschung: RDF als Datenmodell, Ontologien als Regelwerk, formale Semantik als Anspruch. Wer heute im SEO über den Knowledge Graph spricht, meint dabei meist eine von zwei sehr verschiedenen Sachen. Entweder Googles proprietären Graphen, in dem eine Marke vorkommt oder eben nicht. Oder einen firmeneigenen Graphen, den ein Unternehmen im Eigenbetrieb pflegt, um Produktdaten, Dokumente und Prozesse zu verknüpfen. Beide Bedeutungen sind legitim, sie haben nur wenig miteinander zu tun, und ein Großteil der Ratgeber wirft sie munter durcheinander.

Diese kurze Einführung ordnet das Konzept visuell ein, bevor wir in die Mechanik gehen:

Die operative Konsequenz ist unbequem: über Googles Graphen hat niemand außerhalb von Google Schreibrechte. Man kann ihn füttern, korrigieren lassen, mit Signalen bestätigen, aber nicht befüllen. Wer ein Angebot kauft, das eine « garantierte Aufnahme in den Knowledge Graph » verspricht, kauft eine Behauptung. Was tatsächlich funktioniert, ist unspektakulärer: konsistente Fakten an genügend unabhängigen Stellen, lange genug.

Entitäten, Tripel und Ontologien: die Mechanik

Eine Entität ist ein eindeutig identifizierbares Ding mit einer stabilen Kennung. Google vergibt intern MIDs (etwa /m/0dr90d), Wikidata vergibt Q-Nummern, die Gemeinsame Normdatei der Deutschen Nationalbibliothek vergibt GND-IDs. Diese Kennungen sind der eigentliche Kern: solange eine Marke keine eigene ID hat, ist sie für den Graphen nur eine Zeichenkette, die zufällig in Texten auftaucht. An der ID hängen dann Attribute (Gründungsjahr, Rechtsform, Umsatz) und Beziehungen zu anderen Entitäten (Tochterfirma von, Wettbewerber von, tätig in Branche).

Die Ontologie legt fest, welche Typen und welche Beziehungen überhaupt erlaubt sind. Im Web ist das faktisch schema.org, dessen Vokabular Google, Bing und die großen Assistenzsysteme lesen. Die Verbreitung ist beachtlich: über 45 Millionen Domains hatten laut Wikipedia bis 2024 schema.org-Markup implementiert, was Amra & Elma in einer Auswertung von 2025 auf rund 12,4 % aller registrierten Domains beziffert. Strukturierte Daten sind damit weniger ein Ranking-Trick als eine Übersetzungsschicht: sie sagen der Maschine, welche Entität die Seite meint, statt sie raten zu lassen.

Technisch existieren zwei Familien nebeneinander. RDF-Speicher mit SPARQL als Abfragesprache stammen aus der akademischen Linie und sind stark, wenn Daten quellenübergreifend verknüpft werden sollen (Wikidata und DBpedia sind die bekanntesten Beispiele). Property-Graph-Systeme wie Neo4j mit Cypher kommen aus der Industriepraxis und sind angenehmer, wenn eine einzelne Organisation ihre eigenen Daten modelliert. Die Wahl zwischen beiden ist eine Architekturentscheidung, keine Glaubensfrage, und sie ist selten das schwierigste Problem.

Das schwierigste Problem ist Entity Resolution: zu entscheiden, ob « Meyer Logistik GmbH » in Datenquelle A und « Meyer Logistik » in Datenquelle B dieselbe Entität bezeichnen. Jede Kante im Graphen trägt eine Herkunft und implizit ein Vertrauensmaß. Aussagen, die aus mehreren voneinander unabhängigen Quellen kommen, setzen sich durch. Aussagen, die nur auf der eigenen Website stehen, sind Selbstauskunft. Dieser eine Mechanismus erklärt fast alles, was im nächsten Abschnitt passiert.

Der Google Knowledge Graph und die Bereinigung von 2025

Die Größenordnung: Search Engine Land berichtete für den Stand Mai 2024 von über 1,6 Billionen Fakten zu 54 Milliarden Entitäten. Die Zahl wird seit 2025 in praktisch jedem Entity-SEO-Leitfaden zitiert, was sie nicht falscher macht, aber daran erinnert, dass wir über eine Momentaufnahme sprechen. Interessanter als die Größe ist die Dynamik: zwischen Mai 2024 und Mai 2025 wuchs die Zahl der Entitäten nach derselben Quelle nur noch um 2,79 %, nach mehreren Jahren deutlicher Expansion.

Dann kam der Schnitt. Search Engine Land dokumentiert für Juni 2025 zwei große Updates am 13. und am 20. Juni, die zusammen « Milliarden von Entitäten » aus dem Graphen entfernt haben. Betroffen waren vor allem Personen-Entitäten, was einen Trend fortsetzt, der seit 2023 läuft: Google trennt schwach belegte Profile ab und sortiert die Rolle von Content-Erstellern klarer ein. Wer eine Autorenidentität allein über Schema-Auszeichnung und ein paar Social-Profile aufgebaut hatte, stand danach ohne da.

Dieses Video von Google selbst zeigt, wofür der Graph ursprünglich gedacht war, und macht den Abstand zur heutigen Praxis sichtbar:

Parallel dazu hat sich die sichtbare Oberfläche verschoben. Der Entity-SEO-Leitfaden von DigitalApplied (2026) berichtet, dass sich die Zahl der Personen mit Knowledge Panel zwischen Juni 2023 und Juni 2024 vervierfacht hat, besonders bei Führungskräften großer Unternehmen, und dass Unternehmens-Panels erst ab Anfang 2025 deutlich breiter verfügbar wurden. Dieselbe Quelle beobachtet, dass Google die Panel-Beschreibungen zunehmend von Gemini aus mehreren Quellen generieren lässt, statt reflexhaft den ersten Wikipedia-Satz zu nehmen, und dabei auch auf eine gut gemachte Über-uns-Seite zurückgreift. ReputationX beziffert in einem Leitfaden von 2026 anhand eigener Kundendaten den Effekt eines beanspruchten und konsistent gepflegten Marken-Panels auf 30 bis 40 % höhere Klickrate bei Markenanfragen. Das ist keine unabhängig replizierte Studie, sondern Anbieterdaten, aber die Richtung deckt sich mit dem, was wir in Audits sehen.

Warum der Graph über KI-Sichtbarkeit entscheidet

Der Grund, warum Entitätsarbeit 2026 aus der Nische kommt, ist schlicht: die Antwort wird immer öfter vor dem Klick geliefert. W3Era zitiert in seinem Leitfaden die SparkToro-Studie von 2024, nach der 58,5 % der US-Suchen und 59,7 % der EU-Suchen bei Google ohne Klick enden. Googles AI Mode ist 2026 in über 200 Ländern und Territorien verfügbar. Wenn die Maschine antwortet statt zu verlinken, entscheidet nicht mehr die Rankingposition allein darüber, ob eine Marke vorkommt, sondern ob sie als Entität mit belastbaren Beziehungen im Graphen steht.

Die Zahlen dazu sind ernüchternd und aufschlussreich zugleich. Eine von BlckAlpaca zusammengetragene Ahrefs-Analyse aus 2026 zeigt, dass nur noch rund 38 % der Zitate in AI Overviews aus den organischen Top 10 stammen, gegenüber zuvor etwa 76 %. BrightEdge misst im selben Zeitraum eine steigende Überlappung zwischen AI-Overview-Quellen und klassischer Organik, von 32,3 % auf 54,5 % über sechzehn Monate. Und Semrush stellt in der Ghost-Citations-Studie von 2026 fest, dass etwa 62 % der KI-Zitate unverlinkt bleiben. Übersetzt: die Maschine holt sich Belege auch außerhalb der Top 10, nennt die Marke oft ohne klickbaren Link, und der Gewinn ist Bekanntheit statt Traffic.

Für eine Netlinking-Operation ändert das die Zielsetzung, nicht die Methode. Was eine Entität stabilisiert, ist Korroboration: dieselbe Aussage über eine Marke, unabhängig formuliert, in thematisch passenden Publikationen. Ein redaktioneller Beitrag, der eine Firma im richtigen Sachzusammenhang nennt und verlinkt, liefert genau dieses Signal, während dreißig Verzeichniseinträge in einem Rutsch keinerlei Unabhängigkeit belegen. Wer Erwähnungen in thematisch passenden Redaktionsumfeldern platzieren lässt, arbeitet daher an zwei Dingen gleichzeitig: an klassischer Linkkraft und an der Belegdichte der eigenen Entität. Bei Stringer Network betrifft das ausschließlich eigene französische Redaktionsmedien, die wir im Eigenbetrieb führen, was die thematische Zuordnung überhaupt erst kontrollierbar macht. Der zweite Hebel ist die interne Struktur: ein Themengebiet, das über eine saubere thematische Autorität abgedeckt ist, gibt der Maschine die Beziehungen, die sie sonst raten müsste.

Der Zusammenhang ist auch algorithmisch belegt. Search Engine Land beobachtet in seiner Auswertung der Core Updates, dass Seiten, die nach dem März-2024-Update gewonnen haben, typischerweise klare thematische Struktur, explizite Entitätsbeziehungen und vollständige Abdeckung der Unterthemen zeigten, nicht bloß keyword-optimierte Einzelseiten. Google selbst hatte für dieses Update angekündigt, unhilfreiche Inhalte in den Ergebnissen um rund 40 % zu reduzieren.

Was in der Praxis schiefgeht

Der häufigste Fehler ist die Verwechslung von Deklaration und Beweis. Ein Organization-Markup mit fünfzehn sameAs-Verweisen wirkt gründlich, bis man die Ziele prüft und feststellt, dass drei Profile seit Jahren tot sind, zwei auf eine alte Firmierung laufen und eins auf ein Konto zeigt, das jemand anderem gehört. Das ist kein Kavaliersdelikt: der Graph gleicht diese Verweise ab, und Widersprüche zwischen der eigenen Angabe und der Außenwelt kosten Vertrauen. Vor jedem neuen Markup steht deshalb ein Konsistenzabgleich über Handelsregistereintrag, Impressum, Unternehmensprofile und Presseerwähnungen.

Der zweite Fehler ist die Wikipedia-Fixierung. Ein Wikipedia-Artikel ist ein starkes Signal, aber weder notwendig noch für die meisten mittelständischen Firmen erreichbar, und ein gekaufter Artikel wird gelöscht. Wikidata, GND-Einträge, Branchendatenbanken und Fachpresse liefern zusammen eine belastbarere Basis als ein einzelner enzyklopädischer Eintrag, der bei der nächsten Relevanzdiskussion verschwindet.

Der dritte Fehler betrifft Personen und ist in Deutschland juristisch relevant. Wer im eigenen Unternehmensgraphen Personen modelliert, verarbeitet personenbezogene Daten im Sinne von DSGVO und BDSG, mit allem, was dazugehört: Rechtsgrundlage, Zweckbindung, Löschkonzept. Ein Graph ist dabei besonders unangenehm, weil das Löschen eines Knotens Kanten hinterlässt, aus denen sich die Person rekonstruieren lässt. Wer das erst nach dem Livegang bedenkt, baut zweimal. Bei Googles Graphen gilt spiegelbildlich: Personen-Entitäten lassen sich über die Panel-Beanspruchung und Feedback-Mechanismen korrigieren, aber nicht einfach entfernen.

Der vierte Fehler ist Ungeduld. Entitätssignale setzen sich über Monate durch, nicht über Wochen, und ein plötzlicher Schwall gleichförmiger Erwähnungen sieht für einen Korroborationsmechanismus genau so aus, wie er gemeint ist: koordiniert. Ein Rhythmus, der über Quartale trägt, ist hier keine Vorsichtsmaßnahme, sondern die Methode selbst. Genau dafür lassen sich Unternehmen eine über Monate kalibrierte Kampagne begleiten, statt ein Kontingent auf einmal zu verbrauchen.

Den eigenen Graphen bauen und messen

Für den internen Fall, den deutsche Industrieunternehmen am häufigsten haben, sieht die Sache anders aus. Ein Maschinenbauer mit Teilestammdaten in SAP, Konstruktionsdaten im PLM und Servicehistorien im Ticketsystem hat drei Wahrheiten über dasselbe Bauteil. Ein Graph verbindet sie über eine gemeinsame Kennung, ohne die Quellsysteme anzufassen, und beantwortet Fragen, die in relationalen Modellen teure Joins über sechs Tabellen wären: welche Anlagen enthalten eine Komponente eines Lieferanten, dessen Zertifizierung ausläuft. Neo4j, RDF4J und GraphDB decken diesen Anwendungsfall ab, die Anbieterwahl ist selten das Risiko.

Diese kurze Erklärung von Neo4j zeigt, wie überschaubar der Einstieg technisch ist:

Das Risiko liegt in der Modellierung und in der Governance. Wer die Ontologie zu fein schneidet, bekommt ein Schema, das niemand pflegt. Wer sie zu grob schneidet, bekommt eine teure Kantenliste. Praktikabel ist der umgekehrte Weg: mit zehn bis fünfzehn konkreten Fragen anfangen, die das Geschäft wirklich stellt, und nur die Typen modellieren, die zur Beantwortung nötig sind. Öffentliche Ankerdaten aus Wikidata oder der GND helfen dabei, externe Entitäten nicht selbst erfinden zu müssen.

Auf der SEO-Seite ist Messung der Teil, den die meisten überspringen. Brauchbare Indikatoren sind das eigene Marken-SERP im Zeitverlauf, die Existenz und Korrektheit eines Knowledge Panels, der Marken-CTR in der Search Console, und die Frage, ob und wie die Marke in KI-Antworten auf Kategoriefragen auftaucht. Angesichts der Ghost-Citations-Quote gehört zur Auswertung ausdrücklich die unverlinkte Nennung, sonst zählt man an der eigentlichen Wirkung vorbei. Ein Tool, das eine « Entity Score » ausgibt, ersetzt keine dieser Messungen.

Inhaltlich zahlt am zuverlässigsten ein Themenaufbau ein, der Beziehungen explizit macht statt sie zu implizieren: Seiten, die Entitäten benennen, verknüpfen und in einem konsistent geschnittenen Themencluster aufeinander verweisen. Extern gilt das Spiegelbild, und dort entscheidet die Auswahl der Medien über die thematische Passung des Signals. Ein öffentlich einsehbarer Medienkatalog mit Themen und Kennzahlen ist dafür nüchtern betrachtet nützlicher als eine Blackbox, weil sich Passung nur prüfen lässt, wenn man vorher sieht, worüber ein Medium tatsächlich schreibt.