- →Schema.org ist kein Ranking-Faktor: eine kausale Ahrefs-Studie 2026 mass sogar minus 4,6 Prozent AI-Overview-Zitationen nach Schema-Einsatz auf bereits sichtbaren Seiten.
- →JSON-LD ist 2026 die einzige Methode, die man neu implementieren sollte, weil sie vom Template entkoppelt und dynamisch aus CMS-Feldern befüllbar ist.
- →Der reale Nutzen liegt in Rich-Result-Eligibility und Entitätsauflösung, am deutlichsten bei LocalBusiness mit geo und bei Product mit GTIN.
- →FAQ-Rich-Results sind zum 7. Mai 2026 aus der Suche verschwunden: FAQPage-Markup darf bleiben, aber neue Seiten dafür zu bauen, jagt einem Phantom nach.
- →Immer zweistufig testen: validator.schema.org für die Spezifikationskonformität (v30.0), Google Rich Results Test für die SERP-Eligibility.
- →Nur auszeichnen, was ein Nutzer sieht: Markup ohne sichtbares Pendant wird ignoriert oder als manipulativ gewertet.
Was Schema.org 2026 wirklich ist
Schema.org ist das gemeinsame Vokabular, das Google, Microsoft, Yahoo und Yandex 2011 gestartet haben, damit Maschinen den Inhalt einer Seite ohne Ratespiel lesen können. So weit die Definition. In der täglichen Arbeit ist es aber weniger ein Wörterbuch als eine Interpretationsschicht: Man übersetzt das, was ein Mensch sieht (einen Preis, einen Autor, eine Öffnungszeit), in ein Format, das ein Parser ohne Kontext eindeutig versteht.
Der Kern besteht aus drei Bausteinen. Der type beschreibt, um welche Art von Ding es geht (Product, Organization, Article). Die property nennt eine Eigenschaft (name, description, price), und der value liefert den konkreten Wert. In Microdata heißen diese drei Rollen itemscope, itemtype und itemprop, in JSON-LD sind es schlicht Schlüssel in einem Objekt. Wer die drei Rollen verstanden hat, versteht den Großteil des Vokabulars, unabhängig davon, welcher der rund 800 Typen gerade im Spiel ist.
Die senior-relevante Wahrheit vorweg: Schema.org ist kein Ranking-Faktor. Google Search Central wiederholt das seit Jahren, und die kausalen Daten aus 2026 bestätigen es. Was Auszeichnung leistet, ist zweierlei: Sie macht eine Seite für Rich Results eligible, und sie hilft der Suchmaschine, die Entität hinter der Seite im Knowledge Graph korrekt aufzulösen. Wer das mit einem Rankingversprechen verwechselt, verkauft Schema falsch. Wie strukturierte Daten insgesamt funktionieren, lohnt sich als Grundlage, bevor man einzelne Typen implementiert.
Wie strukturierte Daten heute funktionieren
Google empfiehlt seit Jahren JSON-LD als Implementierungsmethode, und das ist 2026 keine Geschmacksfrage mehr. JSON-LD sitzt als eigener Script-Block im <head> oder am Ende des Body, getrennt vom sichtbaren HTML. Das entkoppelt die Auszeichnung vom Template: Man kann Markup ändern, ohne das Layout anzufassen, und ein CMS befüllt den Block dynamisch aus Feldern. Microdata und RDFa verweben die Attribute dagegen direkt ins HTML, was bei jedem Redesign bricht. Deshalb lohnt es sich zu verstehen, warum JSON-LD das einzige Format ist, das man 2026 noch neu anfassen sollte.
Ein Block beginnt mit @context (dem Verweis auf schema.org) und @type, danach folgen die Properties als Schlüssel-Wert-Paare. Ein Product-Objekt trägt name, description, ein verschachteltes Offer mit price und priceCurrency, dazu oft ein aggregateRating oder einzelne review-Einträge. Verschachtelung ist normal: Ein value kann selbst wieder ein typisiertes Objekt sein, etwa eine PropertyValue für eine technische Angabe oder eine GeoCoordinates innerhalb einer LocalBusiness.
Eine kompakte Einführung in Grundlagen und Nutzen auf Deutsch:
Das Vokabular lebt: Schema.org 30.0 erschien am 19. März 2026 (schema.org), nach Version 29.4 vom 8. Dezember 2025. Version 30.0 brachte unter anderem eine neue Credential-Klasse für Zertifizierungen und Berufslizenzen, eine floorLevel-Property für LocalBusiness und Residence (relevant für mehrstöckige Standorte) sowie neue Äquivalenz-Mappings zu GS1, Dublin Core und Open Graph, die den Abgleich zwischen Graphen erleichtern. Für die Praxis heißt das: Man validiert gegen zwei Instanzen. validator.schema.org prüft die Konformität zur Spezifikation, Googles Rich Results Test prüft die Eligibility für konkrete SERP-Features. Beide fangen unterschiedliche Fehlerklassen ab.
Lokales SEO und Onlineshops
Der stärkste konkrete Nutzen von Schema.org liegt dort, wo es einen sichtbaren SERP-Effekt gibt, und das ist bei lokalen Unternehmen und Shops am deutlichsten. Für einen deutschen Handwerksbetrieb, eine Kanzlei oder ein Restaurant ist LocalBusiness der Schlüsseltyp: name, address (als PostalAddress), openingHoursSpecification und vor allem geo als GeoCoordinates mit latitude und longitude. Diese Geo-Angabe ist der Punkt, den deutschsprachige Anleitungen oft überspringen, obwohl er für die lokale Auflösung zählt.
Wie man LocalBusiness-Schema mit Geo-Daten sauber umsetzt, zeigt dieses Video im Detail:
Bei Onlineshops übernehmen Product und Offer die Hauptarbeit. Ein sauberes Product trägt name, description, ein image, einen identifier wie gtin oder mpn und ein Offer mit price, priceCurrency und availability. Wer aggregateRating oder einzelne review sauber auszeichnet, war lange für Sterne-Snippets eligible, muss 2026 aber genauer hinsehen, welche Rich Results Google überhaupt noch rendert. Die GTIN ist dabei kein Kosmetikfeld: Sie verankert das Produkt in Googles Produktgraph und macht es über einzelne Shopseiten hinweg identifizierbar.
Hier liegt eine echte Lücke im deutschsprachigen Markt: branchenspezifische Beispiele mit deutschem Kontext, also LocalBusiness mit realistischen Öffnungszeiten, PropertyValue für Ausstattungsmerkmale, Offer in Euro. Wer solche Muster einmal sauber als Vorlage baut, spart bei jedem weiteren Standort Stunden. Für ein Redaktionsnetzwerk wie unseres, das 50 eigene französische Medien im Eigenbetrieb führt, gilt dasselbe Prinzip auf Artikelebene: konsistente Organization- und Article-Auszeichnung über die gesamte Flotte, deterministisch aus Feldern erzeugt statt manuell getippt. Wer redaktionell einen Beitrag auf einem dieser Medien platziert, profitiert von dieser bereits stimmigen technischen Basis, ohne sie selbst aufbauen zu müssen.
Implementierung in CMS und Validierung
In WordPress, dem dominanten CMS im deutschen Mittelstand, gibt es zwei Wege. Plugins wie Rank Math, Yoast oder Schema Pro erzeugen Markup automatisch aus den Feldern, die man ohnehin pflegt. Das ist bequem und für Standardtypen (Article, Organization, BreadcrumbList) meist ausreichend. Der Preis ist Kontrollverlust: Plugins setzen oft mehr Typen, als eine Seite braucht, und produzieren Redundanz oder Konflikte, wenn zwei Plugins parallel auszeichnen.
Ein konkreter Blick auf die WordPress-Integration mit schema.org-Daten:
Der manuelle Weg ist ein eingefügter JSON-LD-Block, oft über einen Hook in der functions.php oder über einen Custom-Field-Container. Er lohnt sich, sobald man Typen braucht, die kein Plugin sauber abbildet, oder wenn man exakt kontrollieren will, welche Properties ausgeliefert werden. Meine Empfehlung aus der Audit-Praxis: Plugins für die Basis, manuelles JSON-LD für alles Spezifische, und niemals beide für denselben Typ auf derselben Seite.
Getestet wird zweistufig. Der Google Rich Results Test zeigt, ob eine Seite für ein konkretes SERP-Feature qualifiziert ist. validator.schema.org prüft die reine Spezifikationskonformität. Eine Seite kann nach Schema.org valide sein und trotzdem kein Google-Feature bekommen, und umgekehrt. Die Search Console meldet Fehler und Warnungen im Feld, aber erst nachdem Google die Seite erneut gecrawlt hat, was den Test vor dem Deploy nicht ersetzt.
Wo Schema in einer SEO- und Netzlinking-Operation zählt
Jetzt der unbequeme Teil, den die meisten Schema-Ratgeber auslassen. Auszeichnung ist kein AI-Hebel, und das ist inzwischen sauber belegt. Eine kausale Ahrefs-Studie (2026) analysierte 1.885 Seiten, die zwischen August 2025 und März 2026 JSON-LD-Schema hinzufügten, abgeglichen gegen 4.000 Kontrollseiten mit ähnlichem Zitationsniveau. Ergebnis über 30 Tage per Diff-in-Diff: Google AI Mode plus 2,4 Prozent (statistisch nicht von null unterscheidbar), ChatGPT plus 2,2 Prozent (ebenfalls praktisch null), Google AI Overviews minus 4,6 Prozent, also im Schnitt etwa zwölf Zitationen pro Seite und Tag weniger. Das Fazit von Ahrefs: Schema erzeugte auf keiner Plattform einen nennenswerten Zuwachs.
Wichtige Einschränkung: Alle getesteten Seiten waren bereits stark zitiert (über 100 AI-Overview-Zitationen im Februar 2025), bevor Schema kam. Die Studie sagt also nichts darüber, ob Auszeichnung neuen oder mehrdeutigen Entitäten hilft, im Knowledge Graph auflösbar zu werden. Genau da liegt der eigentliche Wert, und genau da liegt die Verbindung zum Netzlinking: Schema resolvt die Entität, Links etablieren ihre Autorität. Das eine ersetzt das andere nicht. Wer gezielt an der Präsenz der eigenen Marke in KI-Antworten arbeitet, baut auf genau dieser Entitätsauflösung auf, und das umfasst zunehmend auch die thematischen Sub-Queries, die ein KI-System aus einer einzelnen Frage ableitet.
Für eine Netzlinking-Operation heißt das nüchtern: Schema ist Hygiene, kein Wachstumshebel. Man setzt Organization, Article und BreadcrumbList sauber, weil es die Entitätsauflösung stützt und nichts kostet, aber man baut keine Kampagne darauf. Der Hebel für Sichtbarkeit bleibt der Linkgraph. Wer prüfen will, welche Medien ohne Anmeldung einsehbar sind und was Autorität real kostet, sollte zuerst nachrechnen, was ein sauber gesetzter Link tatsächlich wert ist, statt Budget in Markup zu stecken, das nachweislich keine Zitationen bringt.
Häufige Fehler, die wir in Audits sehen
Der teuerste Fehler ist Markup, das nicht dem sichtbaren Inhalt entspricht. Ein Preis im JSON-LD, der nicht auf der Seite steht, ein aggregateRating ohne sichtbare Bewertungen, eine LocalBusiness-Adresse, die nirgends im Body auftaucht: Google ignoriert solches Markup im besten Fall und behandelt es im schlechtesten als manipulativ. Die Regel ist simpel, wird aber ständig gebrochen: Auszeichnen darf man nur, was ein Nutzer auch sieht.
Der zweithäufigste Fehler 2026 ist das Festhalten an toten Rich Results. Google hat die FAQ-Rich-Results zum 7. Mai 2026 aus der Suche entfernt (Google Search Central), der Bericht in der Search Console und die Unterstützung im Rich Results Test folgen im Juni 2026, die API-Unterstützung endet im August 2026. FAQPage-Markup darf bleiben und kann von anderen Suchmaschinen oder zum Inhaltsverständnis genutzt werden, aber wer FAQ-Seiten weiter primär für das verschwundene Snippet baut, jagt einem Phantom nach. Dasselbe gilt für die sieben Schema-Typen, deren Rich Results Google im Juni 2025 strich (unter anderem Course und ClaimReview), ausdrücklich als reine Darstellungsänderung ohne Ranking-Effekt beschrieben.
Der dritte Klassiker ist Redundanz: zwei Plugins, die denselben Typ setzen, oder ein Plugin plus manuelles JSON-LD, die sich widersprechen. Und der vierte: nur gegen einen Validator prüfen. Wer ausschließlich den Rich Results Test nutzt, übersieht Spezifikationsfehler, die validator.schema.org fängt, und umgekehrt. Beide gehören in den Deploy-Check, nicht erst in die nachträgliche Fehlersuche.
Nautilinks betreibt ein eigenes Netzwerk redaktioneller Medien. In-House verfasste Artikel, Transparenzhinweise beachtet, Ankertext-Mix kalibriert.
Häufige Fragen
Sind Schema.org-Daten ein Rankingfaktor?
Nein. Google Search Central stellt das seit Jahren klar, und eine kausale Ahrefs-Studie von 2026 (1.885 Seiten gegen 4.000 Kontrollen) fand keinen nennenswerten Zuwachs, bei AI Overviews sogar minus 4,6 Prozent Zitationen. Schema macht Seiten für Rich Results eligible und stützt die Entitätsauflösung, hebt aber keine Position. Wer Rankings will, arbeitet am Content und am Linkgraph, nicht am Markup.
Wie überprüfe ich mein Schema.org-Markup?
Zweistufig. validator.schema.org prüft, ob dein Markup der Spezifikation (aktuell Version 30.0, März 2026) entspricht. Der Google Rich Results Test prüft, ob eine Seite für ein konkretes SERP-Feature qualifiziert ist. Beide fangen unterschiedliche Fehler ab, eine Seite kann in einem valide sein und im anderen durchfallen. Die Search Console meldet Feldfehler zusätzlich, aber erst nach erneutem Crawl.
JSON-LD, Microdata oder RDFa, was soll ich 2026 nutzen?
JSON-LD, ohne Diskussion. Google empfiehlt es explizit, es sitzt als eigener Script-Block getrennt vom HTML und übersteht jedes Redesign. Microdata und RDFa verweben die Attribute ins Markup, was bei jeder Template-Änderung bricht. Für Bestandsseiten mit funktionierendem Microdata gibt es keinen Zwang zur Migration, aber alles Neue baut man in JSON-LD.
Lohnt sich FAQPage-Schema nach der Abschaltung noch?
Nur begrenzt. Google hat die FAQ-Rich-Results zum 7. Mai 2026 aus der Suche entfernt, das visuelle Snippet ist weg. Das Markup selbst darf bleiben und kann zum Inhaltsverständnis oder von anderen Suchmaschinen genutzt werden. Aber neue Seiten allein für das verschwundene Snippet zu bauen, ergibt keinen Sinn mehr. Priorisiere Typen mit realem SERP-Effekt wie Product oder LocalBusiness.
Hilft Schema, in AI Overviews oder ChatGPT zitiert zu werden?
Auf bereits sichtbaren Seiten nachweislich nicht. Die Ahrefs-Studie 2026 zeigte für AI Mode und ChatGPT Werte um plus 2 Prozent (statistisch null) und für AI Overviews minus 4,6 Prozent. Offen bleibt, ob Schema neuen oder mehrdeutigen Entitäten hilft, überhaupt im Knowledge Graph aufzulösen. Dort liegt der plausible Rest-Nutzen, nicht in einem Zitations-Boost für Content, der ohnehin schon zitiert wird.
Prüfen Sie Ihr Wissen
Quiz: Schema.org
1/3Was ergab die kausale Ahrefs-Studie 2026 zum Effekt von hinzugefügtem Schema-Markup auf Google-AI-Overview-Zitationen?