Strukturierte JSON-LD-Daten: die Geheimwaffe des GEO

Was ist JSON-LD und warum es für GEO zählt

JSON-LD (JavaScript Object Notation for Linked Data) ist ein von Google und Schema.org empfohlenes Format strukturierter Daten. Es erlaubt, Entitäten (Unternehmen, Dienstleistungen, Artikel, Personen) eindeutig in einem Format zu beschreiben, das Maschinen und LLM direkt interpretieren können.

Für das GEO (Generative Engine Optimization) sind strukturierte Daten entscheidend: Sie ermöglichen den RAG-Systemen (Retrieval-Augmented Generation), die ChatGPT, Perplexity und Gemini speisen, zu verstehen, wer Sie sind, was Sie tun und warum Sie in Ihrem Bereich Autorität haben.

Die wesentlichen Schemas für GEO: vollständige Beispiele

Jedes nachstehende Schema ist ein einsatzbereiter JSON-LD-Block. Passen Sie die Werte an Ihr Unternehmen an und integrieren Sie sie in das <head>-Tag Ihrer Seiten via <script type="application/ld+json">-Tag.

Organization: Unternehmensidentität

Das Organization-Schema ist das Fundament Ihrer digitalen Identität. Es muss auf allen Seiten Ihrer Site erscheinen.

{
  "@context": "https://schema.org",
  "@type": "Organization",
  "name": "MCVA Consulting SA",
  "legalName": "MCVA Consulting SA",
  "description": "Schweizer Beratungshaus für strategische Beratung, spezialisiert auf generative KI und GEO",
  "url": "https://mcva.ch",
  "logo": "https://mcva.ch/images/logo-mcva.png",
  "foundingDate": "2024",
  "founder": {
    "@type": "Person",
    "name": "Jérôme Deshaie"
  },
  "sameAs": [
    "https://www.linkedin.com/company/mcva-consulting",
    "https://twitter.com/mcva_consulting"
  ],
  "areaServed": ["CH", "FR", "EU"],
  "knowsAbout": ["GEO", "Generative Engine Optimization", "AI Strategy", "SEO", "Strukturierte Daten"]
}

Schlüsselpunkte:

knowsAbout zeigt Ihre Expertisebereiche. LLM nutzen es zur Bewertung Ihrer Autorität.
areaServed präzisiert Ihre geografische Tätigkeitszone.
sameAs verbindet Ihre Entität mit Ihren offiziellen Profilen auf anderen Plattformen, was die Disambiguierung stärkt.

LocalBusiness: lokale Präsenz

Verfügt Ihr Unternehmen über eine physische Adresse und bedient eine lokale oder regionale Klientel, ergänzt das LocalBusiness-Schema Organization mit geolokalisierten Informationen.

{
  "@context": "https://schema.org",
  "@type": "LocalBusiness",
  "name": "MCVA Consulting SA",
  "image": "https://mcva.ch/images/bureau-mcva.jpg",
  "telephone": "+41 79 612 38 79",
  "email": "contact@mcva.ch",
  "address": {
    "@type": "PostalAddress",
    "streetAddress": "Chemin des Crêtes, 7",
    "addressLocality": "Haute-Nendaz",
    "addressRegion": "Wallis",
    "postalCode": "1997",
    "addressCountry": "CH"
  },
  "geo": {
    "@type": "GeoCoordinates",
    "latitude": 46.1884,
    "longitude": 7.3066
  },
  "openingHoursSpecification": {
    "@type": "OpeningHoursSpecification",
    "dayOfWeek": ["Monday", "Tuesday", "Wednesday", "Thursday", "Friday"],
    "opens": "08:00",
    "closes": "18:00"
  },
  "priceRange": "$$"
}

Schlüsselpunkt: Die geo-Koordinaten und die strukturierte Adresse erlauben den LLM, Ihr Unternehmen als Antwort auf lokale Anfragen wie "GEO-Berater in der Westschweiz" zu empfehlen.

Service: Ihre Angebote

Jedes Angebot muss ein eigenes Service-Schema haben. Das ermöglicht der KI, Sie zu empfehlen, wenn ein Nutzer einen spezifischen Service sucht.

{
  "@context": "https://schema.org",
  "@type": "Service",
  "name": "KI-Sichtbarkeitsaudit",
  "provider": {
    "@type": "Organization",
    "name": "MCVA Consulting SA"
  },
  "serviceType": "Generative Engine Optimization Audit",
  "areaServed": "Europe",
  "description": "Vollständige Analyse der Sichtbarkeit eines Unternehmens auf 5 grossen LLM mit Wettbewerbs-Benchmark und priorisiertem Aktionsplan.",
  "offers": {
    "@type": "Offer",
    "priceCurrency": "CHF",
    "availability": "https://schema.org/InStock"
  }
}

Schlüsselpunkt: Seien Sie in serviceType so präzise wie möglich. "Consulting" ist zu vage. "Generative Engine Optimization Audit" erlaubt der KI, Sie mit gezielten Anfragen zu verknüpfen.

FAQPage: häufig gestellte Fragen

Das FAQPage-Schema ist doppelt nützlich: es erzeugt Rich Results in Google und liefert direkt von LLM nutzbare Frage/Antwort-Paare.

{
  "@context": "https://schema.org",
  "@type": "FAQPage",
  "mainEntity": [
    {
      "@type": "Question",
      "name": "Was ist GEO?",
      "acceptedAnswer": {
        "@type": "Answer",
        "text": "GEO (Generative Engine Optimization) ist die Gesamtheit der Praktiken zur Optimierung der Sichtbarkeit einer Marke in den von LLM wie ChatGPT, Perplexity und Gemini erzeugten Antworten."
      }
    },
    {
      "@type": "Question",
      "name": "Warum sind strukturierte Daten wichtig für GEO?",
      "acceptedAnswer": {
        "@type": "Answer",
        "text": "Strukturierte JSON-LD-Daten erlauben den LLM, die Identität, Dienstleistungen und Expertise eines Unternehmens ohne Mehrdeutigkeit zu verstehen, was die Wahrscheinlichkeit erhöht, in den KI-Antworten zitiert zu werden."
      }
    }
  ]
}

Schlüsselpunkt: Jedes Frage/Antwort-Paar muss eigenständig und faktisch sein. LLM extrahieren diese Antworten genau so, um ihre Synthesen zu speisen. Es ist einer der wirksamsten Hebel, um von ChatGPT zitiert zu werden.

Article: Ihre Inhalte

Das Article-Schema stärkt die Autorität Ihrer Publikationen und erlaubt den LLM, sie korrekt zu datieren und zuzuordnen.

{
  "@context": "https://schema.org",
  "@type": "Article",
  "headline": "Strukturierte JSON-LD-Daten: die Geheimwaffe des GEO",
  "author": {
    "@type": "Person",
    "name": "Jérôme Deshaie",
    "url": "https://mcva.ch/about",
    "jobTitle": "CEO & Gründer"
  },
  "publisher": {
    "@type": "Organization",
    "name": "MCVA Consulting SA",
    "logo": {
      "@type": "ImageObject",
      "url": "https://mcva.ch/images/logo-mcva.png"
    }
  },
  "datePublished": "2026-03-12",
  "dateModified": "2026-03-12",
  "image": "https://mcva.ch/images/donnees-structurees-hero.jpg",
  "keywords": ["JSON-LD", "strukturierte Daten", "GEO", "Schema.org"],
  "inLanguage": "de"
}

Schlüsselpunkt: Halten Sie dateModified bei jeder Revision aktuell. LLM mit Webzugang bevorzugen aktuelle Inhalte. Das Feld inLanguage hilft mehrsprachigen Systemen, Ihren Inhalt zu kontextualisieren.

Person: individuelle Expertise

Das Person-Schema dient zur Etablierung der Autorität des Autors. Im E-E-A-T-Kontext (Experience, Expertise, Authoritativeness, Trustworthiness) erlaubt es den Engines und LLM, einen Inhalt einer qualifizierten Person zuzuordnen.

{
  "@context": "https://schema.org",
  "@type": "Person",
  "name": "Jérôme Deshaie",
  "jobTitle": "CEO & Gründer",
  "worksFor": {
    "@type": "Organization",
    "name": "MCVA Consulting SA"
  },
  "url": "https://mcva.ch/about",
  "sameAs": [
    "https://www.linkedin.com/in/jeromedeshaie"
  ],
  "knowsAbout": ["GEO", "SEO", "generative KI", "Digitalstrategie", "strukturierte Daten"],
  "alumniOf": {
    "@type": "EducationalOrganization",
    "name": "Referenzuniversität"
  }
}

Schlüsselpunkt: knowsAbout auf einem Person-Schema verstärkt das Signal individueller Expertise. Sucht ein LLM einen Experten zu einem Thema, ist dieses Feld entscheidend.

BreadcrumbList: Site-Hierarchie

Breadcrumbs helfen den LLM, die Struktur Ihrer Site und die Beziehung zwischen Ihren Seiten zu verstehen.

{
  "@context": "https://schema.org",
  "@type": "BreadcrumbList",
  "itemListElement": [
    { "@type": "ListItem", "position": 1, "name": "Startseite", "item": "https://mcva.ch" },
    { "@type": "ListItem", "position": 2, "name": "Insights", "item": "https://mcva.ch/insights" },
    { "@type": "ListItem", "position": 3, "name": "Strukturierte JSON-LD-Daten" }
  ]
}

Auswirkung strukturierter Daten auf die LLM-Zitierbarkeit

Strukturierte Daten dienen nicht nur dem klassischen SEO. Ihre Wirkung auf die Zitierbarkeit durch LLM ist ein noch unterausgenutzter strategischer Hebel.

Die RAG-Systeme (Retrieval-Augmented Generation), die ChatGPT, Perplexity oder Gemini speisen, verfahren in zwei Schritten: zuerst rufen sie relevante Dokumente ab, dann erzeugen sie eine synthetische Antwort. In der Abrufphase liefern strukturierte Daten direkt nutzbaren Kontext:

Entitäts-Disambiguierung: das JSON-LD zeigt eindeutig, dass "MCVA Consulting SA" ein auf GEO spezialisiertes Schweizer Unternehmen ist, kein generisches Akronym. Ohne diese Präzision kann das LLM Ihre Marke mit einer anderen Entität verwechseln.
Verlässliche Zuordnung: zitiert ein LLM Ihren Inhalt, erlauben die Article- und Person-Schemas die korrekte Zuordnung von Quelle, Autor und Datum. Das erhöht das Vertrauen des LLM in Ihren Inhalt.
Antwort auf Service-Anfragen: ein Nutzer, der einem LLM die Frage stellt "welches Beratungshaus kann meine KI-Sichtbarkeit in der Schweiz auditieren?", erhält eine Antwort mit Ihrem Unternehmen, wenn Ihre Service- und LocalBusiness-Schemas korrekt ausgefüllt sind.
Content-Frische: dateModified signalisiert den LLM, dass Ihr Inhalt aktuell gehalten wird, ein wichtiges Vertrauenskriterium in einem sich rasch entwickelnden Bereich.

Strukturierte Daten verwandeln Ihre Site in eine von LLM nutzbare Wissensbasis, weit über die einfache Anzeige von Rich Snippets in Google hinaus. Sie sind eine Säule Ihrer KI-Sichtbarkeit.

Häufige Fehler bei strukturierten Daten

Fehler 1: inkohärente Daten zwischen den Seiten

Zeigt Ihr Organization-Schema "MCVA Consulting SA" auf einer Seite und "MCVA Consulting" auf einer anderen, können die LLM dies als zwei verschiedene Entitäten behandeln. Verwenden Sie überall genau denselben Namen.

Fehler 2: veraltete Informationen

Strukturierte Daten mit alter Adresse oder altem Telefon sind schlimmer als gar keine Daten. Die LLM reproduzieren diese falschen Informationen in ihren Antworten.

Fehler 3: zu minimalistische Schemas

Ein Organization-Schema, das nur Name und URL enthält, bringt fast keinen GEO-Wert. Je reicher und präziser Ihre Schemas, desto mehr Informationen haben die LLM, um Sie korrekt zu zitieren.

Fehler 4: die Verbindung zwischen Schemas vergessen

Ihre Service-Schemas müssen Ihr Organization-Schema via provider referenzieren. Ihre Article-Schemas müssen Autor und Publisher referenzieren. Diese semantische Verbindung verstärkt die Kohärenz Ihrer digitalen Identität.

Fehler 5: den falschen @type verwenden

Organization und Corporation zu verwechseln oder WebPage statt Article zu verwenden, sendet ein falsches Signal an die Suchmaschinen und LLM. Prüfen Sie immer die Schema.org-Dokumentation, um den spezifischsten anwendbaren Typ zu wählen.

Fehler 6: fehlende Pflichteigenschaften

Google verlangt bestimmte Eigenschaften zur Aktivierung von Rich Results. Beispielsweise generiert ein Article-Schema ohne headline, image oder datePublished keinen Rich Result. Konsultieren Sie die Google-Search-Central-Dokumentation, um die pro Schematyp geforderten Eigenschaften zu kennen.

Fehler 7: nicht getestete strukturierte Daten

Strukturierte Daten ohne Validierung zu publizieren, ist riskant. Ein JSON-Syntaxfehler, eine schlecht formatierte URL oder ein fehlendes Feld kann den ganzen Block für Google und LLM unsichtbar machen. Testen Sie systematisch vor der Publikation.

Wie Ihre strukturierten Daten prüfen

Vier wesentliche Tools:

Google Rich Results Test: das offizielle Google-Tool zur Prüfung, ob Ihre strukturierten Daten für Rich Results berechtigt sind. Es erkennt Syntaxfehler, fehlende Eigenschaften und Konformitätsprobleme. Testen Sie jede Seite einzeln.
Schema.org Validator: validiert die Konformität zum Schema.org-Standard, unabhängig von den spezifischen Google-Anforderungen.
Google Search Console: der Bereich "Verbesserungen" zeigt die beim Crawling Ihrer Site erkannten Strukturdatenfehler an. Es ist das beste Tool zur dauerhaften Überwachung.
Manueller Test auf den LLM: stellen Sie ChatGPT und Perplexity Fragen, um zu prüfen, dass Ihre Daten gut berücksichtigt werden. Fragen Sie etwa "Wer ist MCVA Consulting?" oder "Welches Beratungshaus bietet ein KI-Sichtbarkeitsaudit in der Schweiz?".

Strukturierte Daten und GEO: die Synergie

Die LLM "sehen" Ihre Site nicht wie ein Mensch: sie durchblättern Ihre Seiten nicht visuell. Sie lesen den Quellcode, und JSON-LD ist der lesbarste und strukturierteste Teil dieses Codes.

Konkret hier, warum strukturierte Daten ein GEO-Performance-Multiplikator sind:

Die LLM lesen JSON-LD nativ. Wenn ein RAG-System Ihre Seite indexiert, extrahiert es den sichtbaren Text, aber auch die <script type="application/ld+json">-Blöcke. Diese Blöcke liefern strukturierte Metadaten, die das LLM direkt nutzen kann, ohne sie aus freiem Text ableiten zu müssen.

Der Knowledge Graph speist sich aus Schema.org. Der Google Knowledge Graph, der die AI Overviews beeinflusst, stützt sich massiv auf strukturierte Daten zum Aufbau seines Wissensgraphen. Eine in JSON-LD gut beschriebene Entität hat mehr Chancen, in diesen Graph aufgenommen und somit von Gemini und Google AI Overviews zitiert zu werden.

Die Synergie Inhalt + Struktur. Ein gehaltvoller Artikel ohne strukturierte Daten ist guter Inhalt. Ein gehaltvoller Artikel mit Article-, Person-, Organization- und FAQPage-Schemas ist zitierbarer und zuordenbarer Inhalt. Dieser Ansatz gilt auch für breitere KI-Projekte, wie unser Leitfaden zur Architektur eines leistungsfähigen KI-Projekts zeigt. Die LLM bevorzugen Quellen, die sie mit Vertrauen identifizieren und zuordnen können.

Das Schweizer Vertrauenssignal. Für in der Schweiz ansässige Unternehmen verstärkt das LocalBusiness-Schema mit addressCountry: "CH" und vollständiger Adresse ein spezifisches Vertrauenssignal. Die LLM bevorzugen bei geolokalisierten Anfragen Entitäten, deren Standort klar etabliert ist.

JSON-LD und GEO: die messbare Wirkung

Bei MCVA Consulting haben wir beobachtet, dass das Hinzufügen vollständiger strukturierter Daten (Organization + Service + Article + BreadcrumbList) den durchschnittlichen GEO-Score in 3 Monaten um 15 bis 25 Punkte verbessert.

Strukturierte Daten sind keine Option für GEO. Sie sind das technische Fundament, auf dem jede KI-Sichtbarkeitsstrategie ruht.

Synthese

Strukturierte JSON-LD-Daten erlauben den LLM, Ihr Unternehmen ohne Mehrdeutigkeit zu verstehen.
Die wesentlichen Schemas: Organization, LocalBusiness, Service, FAQPage, Article, Person und BreadcrumbList.
knowsAbout und serviceType sind die strukturierendsten Felder für GEO.
Das Hinzufügen vollständiger strukturierter Daten verbessert den GEO-Score im Durchschnitt um 15 bis 25 Punkte.
Wahren Sie eine perfekte Kohärenz zwischen all Ihren Schemas (Name, Adresse, Beschreibung).
Testen Sie systematisch mit dem Google Rich Results Test vor der Publikation.

FAQ

Reichen strukturierte Daten für GEO?

Nein. Strukturierte Daten sind eine notwendige technische Säule, reichen aber allein nicht aus. Eine vollständige GEO-Strategie verbindet strukturierte Daten, qualitativen, auf Zitierbarkeit optimierten Inhalt, Domainautorität, Präsenz auf zuverlässigen Drittquellen und semantische Verbindungen. Strukturierte Daten liefern den Rahmen; der Inhalt liefert die Substanz. Ohne expertise- und aktuellen Inhalt erzeugen selbst die besten JSON-LD-Schemas keine LLM-Zitate.

Welche Wirkung auf das Google-Ranking?

Strukturierte Daten sind kein direkter Ranking-Faktor im Google-Algorithmus. Sie ermöglichen aber Rich Results: FAQ, Bewertungen, Breadcrumbs, die die Click-Through-Rate (CTR) signifikant erhöhen. Ein besserer CTR sendet ein positives Engagement-Signal an Google. Im Kontext der AI Overviews helfen strukturierte Daten Google ausserdem, Ihren Inhalt präziser zu verstehen und zu zitieren. Die Wirkung ist also indirekt, aber messbar.

Braucht es einen Entwickler zur Implementierung strukturierter Daten?

Nicht zwingend. Für eine WordPress-Site generieren Erweiterungen wie Yoast SEO oder Rank Math automatisch die Basis-Schemas. Für eine Site auf Next.js oder einem JavaScript-Framework erfolgt die JSON-LD-Integration direkt im Code der Komponenten. Wenn Sie fortgeschrittene und massgeschneiderte Schemas benötigen (was für eine GEO-Strategie empfohlen wird), ist eine technische Begleitung vorzuziehen, um Datenkohärenz und -vollständigkeit zu garantieren. In der Schweiz können die meisten Webagenturen JSON-LD in wenigen Stunden Entwicklung integrieren.

Möchten Sie wissen, ob Ihre strukturierten Daten korrekt für GEO konfiguriert sind? MCVA Consulting kann Ihre JSON-LD-Schemas auditieren und Ihre Sichtbarkeit in den KI-Antworten optimieren. Entdecken Sie unser GEO-Audit für eine vollständige Diagnose.