Employee Advocacy für KI-Sichtbarkeit: Team Authority aufbauen

Mitarbeitende genießen laut dem Edelman Trust Barometer 2026 mit 78 Prozent Vertrauen mehr Zustimmung als der eigene Arbeitgeber, dem 64 Prozent der Befragten vertrauen (https://www.prnewswire.com/news-releases/2026-edelman-trust-barometer-reveals-trust-is-in-peril-as-society-slides-from-grievance-into-insularity-302664064.html). Für KI-Modelle, die Textquellen nach erkennbaren Autoren und Vertrauenssignalen gewichten, lässt sich dieses Vertrauen technisch abbilden: über Autoren-Bylines, Team-Seiten und verlinkte Profile.

Definition: Employee Advocacy für KI-Sichtbarkeit bezeichnet den gezielten Aufbau von Autoren- und Team-Signalen, mit denen Suchmaschinen und generative KI-Modelle einzelne Mitarbeitende einer Organisation als reale, fachlich einordbare Personen erkennen. Dazu gehören Autoren-Bylines mit Person-Schema, verlinkte Profile über sameAs sowie sichtbare Team- und About-Seiten. Ziel ist, dass generative KI-Systeme Inhalte einzelnen Fachpersonen im Unternehmen zuordnen können und darüber Vertrauen in die gesamte Website aufbauen.

Warum Autoren-Signale für KI-Vertrauen zählen

Google empfiehlt in der eigenen Dokumentation zu hilfreichem Content ausdrücklich Autoren-Bylines, die zu Hintergrundinformationen über die Person und ihre Fachgebiete führen, als Signal für Expertise, Autorität und Vertrauenswürdigkeit (https://developers.google.com/search/docs/fundamentals/creating-helpful-content). Für das Article-Schema empfiehlt Google außerdem explizit, die author-Eigenschaft als Person-Typ mit einer url- oder sameAs-Eigenschaft zu hinterlegen, damit Mitarbeitende als Autoren eindeutig identifizierbar sind (https://developers.google.com/search/docs/appearance/structured-data/article). Schema.org definiert sameAs als Verweis auf eine Referenzseite, die die Identität einer Person eindeutig belegt, etwa ein Wikidata-, Wikipedia- oder offizielles Profil (https://schema.org/sameAs).

Für generative Suche kommt ein weiterer Punkt dazu: OpenAI unterscheidet in der Web-Search-Dokumentation zwischen Inline-Zitaten im Antworttext und einem separaten sources-Feld, das alle vom Modell konsultierten Quell-URLs zurückgibt (https://developers.openai.com/api/docs/guides/tools-web-search). Ein Modell muss also entscheiden können, wem es eine Aussage zuschreibt. Ohne erkennbare Autoren- oder Organisationsidentität bleibt nur die Domain als Quelle, und die trägt in vielen Fällen weniger Kontext als eine benannte Fachperson mit sameAs-Verknüpfung.

Ansatz A: Autoren-Bylines mit Person-Schema

Der direkteste Weg: Jeder Fachartikel bekommt eine echte Autorenzeile, hinterlegt mit Person-Schema und sameAs-Link zu LinkedIn, Xing oder einem eigenen Autorenprofil. Das folgt genau der Google-Empfehlung oben und lässt sich mit einem Author-Schema und By-Line-Markup technisch sauber umsetzen.

Rechenbeispiel (hypothetisch): Für eine Website mit 50 Blogartikeln, bei denen bislang nur die Redaktion als Autor hinterlegt ist, würde das Nachtragen von Person-Schema pro Artikel geschätzt 10 bis 15 Minuten benötigen, wenn das Profil der jeweiligen Fachperson bereits existiert. Bei 50 Artikeln ergäbe das in diesem Modell einen Gesamtaufwand von etwa 8 bis 12 Stunden, ohne die Zeit für das Anlegen neuer Autorenprofile.

Der Nachteil: Der Ansatz braucht Pflege. Verlässt eine Fachperson das Unternehmen, muss die Byline aktualisiert oder das Profil entfernt werden, sonst verweist das Schema auf eine Person, die nicht mehr zuordenbar ist. Bei Content, der von einer Agentur oder mehreren Personen gemeinsam verfasst wird, ist die Zuordnung außerdem nicht immer eindeutig.

Ansatz B: Zentrale Team- und About-Seite

Statt jeden Artikel einzeln zu markieren, bündelt dieser Ansatz die Signale auf einer Team-Seite: Kurzprofile mit Rolle, Fachgebiet, Foto und Link zu einem externen Profil, ergänzt um sameAs-Markup auf Organisationsebene. Der Aufwand ist geringer, weil er nicht pro Artikel anfällt, sondern einmalig für die gesamte Seite.

Der Nachteil hier liegt in der Präzision: Ein einzelner Artikel bleibt weiterhin ohne direkte Autorenzuordnung, das Signal wirkt auf Organisationsebene, nicht auf Textebene. Genau diese Verknüpfung von Text und Person ist es aber, die Google in der Byline-Empfehlung als Signal nennt. Ansatz B ist ein solider Startpunkt, ersetzt Ansatz A für zentrale, viel gelesene Artikel aus unserer Sicht aber nicht vollständig.

Ansatz C: Externe Autorität über LinkedIn und Presse aufbauen

Der dritte Weg verlagert einen Teil der Arbeit nach außen: Mitarbeitende veröffentlichen Fachbeiträge auf LinkedIn, werden in Presseartikeln zitiert oder halten Vorträge, deren Aufzeichnungen verlinkt werden. Laut der gemeinsamen B2B-Studie von Edelman und LinkedIn sind 9 von 10 Entscheider:innen und C-Suite-Führungskräften gegenüber Vertriebs- oder Marketingansprache von Unternehmen aufgeschlossener, die konsequent hochwertigen Thought-Leadership-Content produzieren (https://www.linkedin.com/business/marketing/blog/research-and-insights/b2b-thought-leadership-research-impact-linkedin-edelman). Diese externen Profile lassen sich über sameAs-Links mit der Autoren-Identität auf der eigenen Website verbinden, und Presseerwähnungen tragen zusätzlich zur externen Quellenautorität bei, wie im Beitrag zu Presse-Erwähnungen beschrieben.

Der Nachteil: Dieser Weg dauert länger als die beiden anderen Ansätze und hängt stark von der Bereitschaft einzelner Mitarbeitender ab, öffentlich sichtbar zu werden. Verlässt eine Person das Unternehmen, geht die extern aufgebaute Autorität mit ihr, während unternehmenseigene Bylines und Schema-Markup im eigenen System bleiben.

Ansatz	Aufwand	Bindung an Website	Skalierbarkeit
A: Autoren-Bylines mit Person-Schema	pro Artikel	fest, direkt im Content	mittel
B: Team- und About-Seite	einmalig	fest, auf Organisationsebene	hoch
C: Externe Autorität (LinkedIn, Presse)	fortlaufend	lose, personengebunden	gering

Aus unserer Sicht gehören beide Signale zusammen: Die von Google empfohlene Autoren-Byline mit Person-Schema ist ohne das ergänzende sameAs-Signal, das dieselbe Dokumentation für die Identifizierbarkeit von Autor:innen nennt, aus unserer Sicht nur die halbe Umsetzung.

Was bleibt: der pragmatische Einstieg in Employee Advocacy

Für den Start empfiehlt sich aus unserer Sicht die Kombination aus Ansatz B und A: zuerst eine Team-Seite mit sameAs-Verknüpfungen als Fundament, danach Bylines mit Person-Schema für die Artikel, die am meisten Traffic oder Zitierungspotenzial haben. Ansatz C ergänzt beide Ansätze sinnvoll, setzt aber voraus, dass Mitarbeitende bereit sind, unter eigenem Namen öffentlich sichtbar zu werden.

Wie stark Person-Schema oder sameAs-Links das Zitierverhalten einzelner Modelle konkret verändern, ist öffentlich nicht separat belegt. Google führt Autoren-Bylines als Signal für E-E-A-T auf; eine Garantie für ein bestimmtes Ranking oder eine bestimmte Zitierhäufigkeit ist damit nicht verbunden. Wer trotzdem anfängt, verbessert zumindest die Grundlage, auf der KI-Modelle und klassische Suchmaschinen überhaupt entscheiden können, wem sie vertrauen.

Häufig gestellte Fragen

Brauche ich für jeden Blogartikel eine eigene Autoren-Byline? Nicht zwingend für jeden Artikel sofort. Ein möglicher Einstieg aus unserer Sicht ist eine zentrale Team-Seite mit sameAs-Verknüpfungen, ergänzt um individuelle Bylines für einzelne, gezielt ausgewählte Artikel.

Was ist der Unterschied zwischen Person-Schema und einer normalen Autoren-Box? Eine sichtbare Autoren-Box im Design zeigt Nutzenden einen Namen, liefert Suchmaschinen und KI-Modellen aber keine strukturierten Daten. Person-Schema mit url- oder sameAs-Eigenschaft macht dieselbe Information zusätzlich maschinenlesbar, so wie es Google in der Article-Schema-Dokumentation empfiehlt.

Reicht eine LinkedIn-Präsenz der Mitarbeitenden ohne Bylines auf der eigenen Website? Externe Präsenz allein bindet die Autorität nicht an die eigene Domain. Ohne eine Verknüpfung, etwa über sameAs auf der eigenen Website, bleibt unklar, dass die extern sichtbare Fachperson und die Inhalte auf der Unternehmensseite zusammengehören.

Wie hängt Employee Advocacy mit dem E-E-A-T-Score von geaio zusammen? Die in diesem Beitrag beschriebenen Signale — Autoren-Byline, Person-Schema, sameAs-Verknüpfung — decken sich mit den Kriterien, die Google für hilfreichen Content nennt (siehe oben).