Schema.org und strukturierte Daten: Der technische Hebel für Shop-Empfehlungen in der KI

Warum strukturierte Daten in der KI-Suche über deine Sichtbarkeit entscheiden

Stell dir vor, jemand fragt ChatGPT: "Wo bekomme ich eine wasserdichte Wanderjacke unter 150 Euro in Größe L?" Die KI durchsucht keine Bilder und keine schön gestalteten Landingpages. Sie sucht nach maschinenlesbaren Fakten: Produkttyp, Preis, Verfügbarkeit, Größe, Material. Genau diese Fakten liefert Schema.org. Ohne sie ist dein Shop für die generative Suche wie ein Buch ohne Inhaltsverzeichnis – theoretisch lesbar, praktisch übersehen.

Der Unterschied zur klassischen SEO ist fundamental. Bei Google reichte oft ein guter Text plus ein paar Rich Snippets. KI-Systeme wie Perplexity oder Google AI Overviews wollen Struktur, weil sie Antworten zusammensetzen statt Links auflisten. Je präziser deine Daten, desto eher zitiert die KI dein Produkt als konkrete Empfehlung mit Preis und Link. Unstrukturierte Shops landen im Rauschen.

Für dich als Shopbetreiber heißt das: Strukturierte Daten sind kein SEO-Detail für die Technikabteilung, sondern die Eintrittskarte in die Antwortmaschine. Wer sie ignoriert, verliert nicht Rankingplätze, sondern die komplette Erwähnung.

Product, Offer und AggregateRating: die drei Typen, die im Shop wirklich zählen

Für einen Online-Shop ist der Schema-Typ Product das Fundament. Er beschreibt jedes einzelne Produkt mit Name, Marke, Beschreibung, GTIN oder SKU und Bild. Klingt banal, wird aber ständig falsch gemacht: Viele Shops kippen nur den Namen ein und lassen GTIN, Marke und Materialangaben weg. Genau diese Detailfelder braucht eine KI, um dein Produkt von zehn ähnlichen zu unterscheiden.

Der zweite entscheidende Typ ist Offer, eingebettet in Product. Hier stehen Preis, Währung, Verfügbarkeit (InStock, OutOfStock) und im Idealfall die Preisgültigkeit. Wenn deine Wanderjacke im Angebot 129 Euro kostet und lieferbar ist, muss das exakt so im Markup stehen. Eine KI, die "unter 150 Euro und lieferbar" filtert, kann dich nur nennen, wenn diese Werte sauber und aktuell hinterlegt sind.

Der dritte Hebel ist AggregateRating und Review. Bewertungen sind für KI-Empfehlungen Gold, weil sie Vertrauen quantifizieren. Ein Produkt mit 4,6 Sternen aus 214 Bewertungen wird von einer KI eher empfohlen als eines ohne Rating-Signal. Aber Vorsicht: Google und andere ahnden erfundene oder seitenweite Sammelbewertungen. Bewerte nur, was echt und produktbezogen ist.

JSON-LD statt Microdata: das Format, das die Maschinen bevorzugen

Es gibt drei technische Wege, Schema.org einzubauen: Microdata, RDFa und JSON-LD. Für E-Commerce lautet die klare Empfehlung JSON-LD. Der Grund: JSON-LD liegt als sauberer Datenblock im Head oder am Seitenende, getrennt vom sichtbaren HTML. Das macht es für Crawler und KI-Parser eindeutig und für dich wartbar, weil du es an einer Stelle pflegst statt es durch das ganze Template zu verteilen.

Microdata verschachtelt die Attribute direkt ins HTML deiner Produktseite. Das führt in gewachsenen Shop-Templates schnell zu kaputten oder halben Auszeichnungen, sobald das Design geändert wird. JSON-LD entkoppelt Inhalt und Darstellung. Wenn dein Frontend-Team die Produktkachel umbaut, bleibt dein strukturierter Datenblock unberührt – ein praktischer Vorteil, der im Alltag über Datenqualität entscheidet.

Konkret: Bei Shopify, Shopware oder WooCommerce generieren viele Themes bereits JSON-LD, aber oft unvollständig. Prüfe im Quelltext einer Produktseite, ob wirklich Preis, Verfügbarkeit und GTIN drinstehen. Häufig fehlt genau das Feld, das die KI zum Filtern braucht.

Die typischen Fehler, die deinen Shop für KI unsichtbar machen

Der häufigste Fehler in Online-Shops sind widersprüchliche Daten. Im JSON-LD steht 129 Euro, auf der sichtbaren Seite 149 Euro, weil ein Rabatt-Plugin den Frontend-Preis überschreibt, aber das Markup nicht aktualisiert. Für eine KI ist das ein Vertrauensbruch: Sie erkennt den Widerspruch und stuft deine Daten als unzuverlässig ein. Konsistenz zwischen sichtbarem Preis und Markup ist Pflicht, kein Detail.

Zweiter Klassiker: veraltete Verfügbarkeit. Dein Bestseller ist ausverkauft, aber das Markup meldet weiter InStock. Empfiehlt die KI dein Produkt und der Kunde landet auf einer Nicht-verfügbar-Seite, schadet das doppelt – dem Kauf und deiner langfristigen Glaubwürdigkeit als Quelle. Verfügbarkeit muss automatisch aus dem Warenwirtschaftssystem in das Markup fließen, nicht manuell gepflegt werden.

Dritter Fehler: fehlende Eindeutigkeit bei Varianten. Ein T-Shirt in fünf Farben und vier Größen braucht sauber ausgezeichnete Varianten über ProductGroup und hasVariant. Wer alle Varianten in ein einziges Product presst, macht es der KI unmöglich, "blau in M" zu finden. Gerade im Mode- und Möbel-E-Commerce ist das ein Sichtbarkeitskiller.

Über das Produkt hinaus: FAQ, Organization und Versandinfos

Strukturierte Daten enden nicht beim Produkt. Der Typ FAQPage ist für Shops enorm wertvoll, weil KI-Systeme Antworten auf konkrete Fragen zusammensetzen. Wenn du auf der Produktseite Fragen wie "Fällt die Jacke groß aus?" oder "Wie lange ist die Lieferzeit?" strukturiert beantwortest, lieferst du der KI genau die Bausteine, die sie in ihrer Antwort verbaut. Das erhöht die Chance, dass dein Shop als Quelle zitiert wird.

Ebenso wichtig ist der Typ Organization für deine Marke. Hier definierst du Firmenname, Logo, Kontaktdaten und Social Profiles. Das hilft KI-Systemen, deinen Shop als reale, vertrauenswürdige Entität einzuordnen statt als anonyme Domain. Gerade kleinere Shops unterschätzen, wie sehr eine saubere Entitäts-Auszeichnung die wahrgenommene Seriosität in KI-Antworten stärkt.

Neuere Schema-Erweiterungen wie shippingDetails und hasMerchantReturnPolicy im Offer werden für E-Commerce zunehmend relevant. Versandkosten und Rückgaberecht sind kaufentscheidende Fakten. Wer sie strukturiert liefert, gibt der KI die Chance, sie direkt in die Empfehlung zu schreiben – ein echter Vorsprung gegenüber Wettbewerbern, die nur Preis und Titel auszeichnen.

So testest du, ob deine Daten wirklich ankommen

Bau nie strukturierte Daten ein, ohne sie zu prüfen. Der Schema Markup Validator von Schema.org und der Rich Results Test von Google zeigen dir sofort, ob dein JSON-LD syntaktisch korrekt und vollständig ist. Fütter beide Tools mit einer echten Produkt-URL und schau, ob Preis, Verfügbarkeit und Rating erkannt werden. Fehlt ein Feld, siehst du es hier, bevor die KI es vermisst.

Der zweite, oft vergessene Test ist der praktische: Frag die KI selbst. Stell ChatGPT, Perplexity oder Google AI eine realistische Kundenfrage aus deinem Sortiment und schau, ob dein Shop auftaucht und ob Preis und Details stimmen. Dieser Realitäts-Check zeigt dir mehr über deine tatsächliche KI-Sichtbarkeit als jedes Validierungstool, weil er die komplette Kette bis zur Antwort prüft.

Mach das nicht einmalig, sondern regelmäßig. Preise, Sortiment und Verfügbarkeit ändern sich täglich. Ein Monitoring, das stichprobenartig prüft, ob Markup und Frontend übereinstimmen, verhindert, dass du wochenlang mit falschen Daten in KI-Antworten stehst, ohne es zu merken.

Prioritäten: Wo du bei begrenzter Zeit zuerst ansetzt

Du musst nicht alles auf einmal umsetzen. Starte mit deinen umsatzstärksten Produkten oder Kategorien und statte sie mit vollständigem Product- und Offer-Markup aus. Diese 20 Prozent deines Sortiments bringen meist 80 Prozent der KI-relevanten Nachfrage. Ein sauber ausgezeichneter Bestseller ist mehr wert als hundert halbherzig markierte Ladenhüter.

Als Nächstes sicherst du die Datenqualität ab: Automatisiere den Fluss von Preis und Verfügbarkeit aus deinem Shop-System ins Markup, damit keine Widersprüche entstehen. Erst danach lohnen sich die Ergänzungen wie FAQ, Versand- und Rückgabedaten. Diese Reihenfolge – erst korrekt, dann vollständig, dann angereichert – schützt dich davor, viel Aufwand in Felder zu stecken, während die Basics wackeln.

Denk daran: Strukturierte Daten sind ein Prozess, kein Projekt. Ein Shop, der seine Daten dauerhaft konsistent und aktuell hält, wird von KI-Systemen als verlässliche Quelle behandelt und immer wieder empfohlen. Das ist der eigentliche Hebel – nicht ein einmaliger Einbau, sondern anhaltende Datendisziplin.

Dein 30-Tage-Fahrplan: von der Bestandsaufnahme zum vollständigen Markup

Fang nicht mit allen 5.000 Artikeln gleichzeitig an, sondern mit deinen 20 umsatzstärksten Produkten. In Woche eins prüfst du, welches Schema deine Shop-Software bereits automatisch ausspielt. Shopify, Shopware und WooCommerce liefern ab Werk ein Basis-Product-Markup, das aber fast immer unvollständig ist: Es fehlen Preis, Verfügbarkeit oder die Rückgabefrist. Notiere pro Vorlage, welche Felder leer bleiben.

In Woche zwei und drei ergänzt du die Lücken über ein Plugin oder direkt im Template. Setze pro Produkttyp eine saubere Vorlage auf, statt jedes Produkt einzeln zu pflegen. In Woche vier rollst du dieselbe Logik auf die Kategorie- und Markenseiten aus. So hast du nach einem Monat ein System, das mit jedem neuen Artikel automatisch korrektes Markup erzeugt – ohne dass du erneut Hand anlegen musst.

gtin, mpn und brand: die Kennzeichen, die dein Produkt eindeutig machen

KI-Systeme und Shopping-Feeds gleichen Produkte über eindeutige Kennungen ab. Trägst du in dein Product-Markup die GTIN (die Nummer hinter dem Barcode), die MPN (Hersteller-Artikelnummer) und die brand ein, kann die Maschine dein Angebot demselben Produkt zuordnen wie hundert andere Shops. Genau das entscheidet, ob du in einem Preis- oder Empfehlungsvergleich überhaupt auftauchst.

Bei Eigenmarken ohne GTIN nutzt du MPN und brand als Ersatz und setzt das Feld nicht einfach leer. Achte darauf, dass die Werte exakt mit denen aus deinem Google-Merchant-Feed übereinstimmen. Widersprechen sich Feed und Markup, wertet die KI beide Signale ab, weil sie nicht weiß, welchem sie trauen soll.

Ein praktischer Test: Suche deine GTIN bei einer Preissuchmaschine. Findest du dein eigenes Produkt dort korrekt gelistet, stimmt die Datenbasis. Taucht es gar nicht oder unter falschem Namen auf, hast du ein Zuordnungsproblem, das kein noch so schönes Design an der Produktseite kompensiert.

Die Grenzen: Was Markup kann und was es nicht rettet

Strukturierte Daten sind ein Verstärker, kein Ersatz. Sie machen vorhandene Substanz maschinenlesbar, erfinden aber keine. Wenn dein Produkttext dünn ist, deine Lieferzeiten unklar sind oder deine Bewertungen fehlen, kann auch das sauberste JSON-LD die KI nicht überzeugen. Markup beschleunigt das Verständnis, ersetzt aber kein gutes Angebot.

Rechne außerdem nicht mit sofortiger Wirkung. Bis KI-Systeme dein aktualisiertes Markup neu einlesen und in Empfehlungen berücksichtigen, vergehen oft Wochen. Miss den Effekt deshalb nicht an einzelnen Tagen, sondern über Monate hinweg – etwa an der Zahl der Sitzungen, die aus KI-Assistenten und generativen Suchen auf deine Produktseiten kommen.

Und eine klare Warnung: Bewertungen oder Verfügbarkeiten auszuzeichnen, die es nicht gibt, fliegt auf. Falsche AggregateRating-Angaben führen zu manuellen Abstrafungen und zum Verlust der Rich Results. Halte dein Markup deshalb immer deckungsgleich mit dem, was Kundinnen und Kunden auf der Seite tatsächlich sehen.