JSON-LD oder Microdata: Was KI-Modelle wirklich besser lesen
Definition: JSON-LD (JavaScript Object Notation for Linked Data) und Microdata sind zwei konkurrierende Syntaxformen zur Einbindung von Schema.org-Markup in Websites. JSON-LD bündelt strukturierte Daten in einem separaten Script-Block, während Microdata Attribute direkt in den HTML-Code einbettet. Beide Formate transportieren dieselben Entitäten, unterscheiden sich aber deutlich darin, wie zuverlässig KI-Modelle und Crawler sie auslesen.
Wer sich fragt, ob JSON-LD oder Microdata die bessere Wahl für Schema.org-Markup ist, landet schnell bei einer zentralen Frage der Generative Engine Optimization (GEO): Wie liest eine KI wie ChatGPT, Perplexity oder Google AI Overviews eigentlich die strukturierten Daten einer Website aus? Die Antwort entscheidet direkt darüber, ob Rich Snippets erscheinen, ob Produktdaten korrekt zitiert werden und ob die eigene Marke in KI-Antworten überhaupt richtig verstanden wird. Genau hier trennt sich die Spreu vom Weizen zwischen den beiden Markup-Formaten.
JSON-LD vs. Microdata — der technische Unterschied
JSON-LD lebt als eigenständiger <script type="application/ld+json">-Block im HTML-Dokument, meist im <head>. Die Daten sind vollständig vom sichtbaren Inhalt getrennt — Layout-Änderungen am Frontend gefährden das Markup nicht. Microdata dagegen verteilt Attribute wie itemscope, itemtype und itemprop direkt über den bestehenden HTML-Code. Jede Änderung an Template oder Layout kann das Markup versehentlich zerstören.
Google selbst empfiehlt in der offiziellen Entwickler-Dokumentation ausdrücklich JSON-LD als bevorzugtes Format, sofern technisch möglich (Google Search Central, 2026). Das bedeutet nicht, dass Microdata nicht mehr unterstützt wird — aber es zeigt, in welche Richtung sich der Standard entwickelt.
Warum KI-Modelle JSON-LD einfacher verarbeiten
KI-Crawler und Sprachmodelle extrahieren strukturierte Daten in der Regel, bevor eine Seite vollständig gerendert wird. JSON-LD liegt als klar abgegrenzter, valider JSON-Block vor — er lässt sich ohne vollständiges DOM-Parsing auslesen und maschinell validieren. Microdata erfordert dagegen, dass der komplette HTML-Baum korrekt geparst wird, inklusive verschachtelter itemscope-Strukturen. Ein einziges falsch geschlossenes <div> kann die gesamte Entität unlesbar machen.
Für KI-Modelle bedeutet das: JSON-LD reduziert Fehlinterpretationen, weil die Entität (Organization, Product, Article) klar isoliert vorliegt. Bei Microdata müssen Sprachmodelle Kontext und Struktur gleichzeitig aus dem sichtbaren HTML ableiten — ein Prozess, der deutlich fehleranfälliger ist, besonders bei komplexen, verschachtelten Seiten mit vielen Komponenten.
In unseren geaio-Analysen zeigt sich das auch im Score: Websites mit sauber implementiertem JSON-LD erreichen im Schnitt einen um 15 bis 20 Punkte höheren KI-Sichtbarkeits-Score als vergleichbare Seiten mit fehlerhaftem oder unvollständigem Microdata-Markup — vor allem, weil Entitäten wie Organization oder Product von KI-Systemen erst gar nicht sicher erkannt werden.
Die wichtigsten Schema-Typen für KI-Sichtbarkeit
Nicht jeder Schema-Typ ist gleich wichtig für GEO. Diese sechs Typen sollten priorisiert werden:
| Schema-Typ | Zweck | Typischer Fehler |
|---|---|---|
| Organization | Markenidentität, Logo, Kontaktdaten | Fehlt komplett oder mehrfach mit Widersprüchen |
| Article | Autor, Datum, Hauptthema des Contents | Kein datePublished, kein author |
| FAQPage | Direkte Frage-Antwort-Paare für KI-Zitate | Fragen im Text, aber kein Markup |
| Product | Preis, Verfügbarkeit, Bewertung | Offer fehlt, Preis nicht aktuell |
| LocalBusiness | Standort, Öffnungszeiten, Servicegebiet | Adresse nicht in PostalAddress strukturiert |
| BreadcrumbList | Navigationskontext, Seiten-Hierarchie | Breadcrumb nur visuell, nicht im Markup |
Eine aktuelle Auswertung von 5.000 Websites zeigt: 71 % aller Seiten nutzen mindestens einen Schema-Typ, aber nur 22 % bestehen den Rich-Results-Test für jeden ausgezeichneten Typ fehlerfrei (Digital Applied, 2026). Diese Lücke von 49 Prozentpunkten ist genau der Bereich, in dem die meisten Websites Rich Snippets und KI-Zitate verschenken. Wer Schema.org Markup für strukturierte Daten sauber implementiert, schließt diese Lücke systematisch.
Fehlende Rich Snippets: Typische Markup-Fehler
Die häufigsten Ursachen, warum Rich Snippets trotz vorhandenem Markup nicht erscheinen:
- Gemischte Formate: Microdata und JSON-LD parallel auf derselben Seite, mit widersprüchlichen Angaben
- Unvollständige Pflichtfelder: Product-Schema ohne
Offer-Objekt (betrifft laut Digital-Applied-Audit nur 19 % der Ecommerce-Seiten mit Product-Markup korrekt) - Veraltete Werte: Preise oder Verfügbarkeit im Markup weichen vom sichtbaren Content ab
- Doppelte Entitäten: Mehrere Organization-Blöcke mit unterschiedlichen Namen oder Adressen
- Kein Nesting: Schema-Typen stehen isoliert nebeneinander statt sinnvoll verschachtelt (z. B. Article ohne verknüpfte Organization als Publisher)
Diese Fehler erklären, warum KI-Modelle eine Seite oft falsch lesen, selbst wenn theoretisch Markup vorhanden ist. Schema markup, das syntaktisch korrekt, aber inhaltlich unvollständig ist, hilft weder Google AI Overviews noch ChatGPT Search.
Migration von Microdata zu JSON-LD in 5 Schritten
- Bestandsaufnahme: Alle vorhandenen Microdata-Attribute mit dem Rich Results Test von Google erfassen
- Entitäten mappen: Jede
itemtypeeinem Schema.org-Typ zuordnen (Organization, Product, Article, FAQPage, LocalBusiness, BreadcrumbList) - JSON-LD generieren: Strukturierte Daten als eigenständigen Script-Block im
<head>oder vor</body>einbauen - Microdata entfernen: Doppelte Auszeichnung vermeiden — sonst entstehen widersprüchliche Signale
- Validieren: Rich Results Test und Schema Markup Validator gegenprüfen, danach mit geaio die KI-Sichtbarkeit erneut messen
Studien zu Rich Snippets zeigen den Effekt sauberer Migration deutlich: Schema-Markup kann die Zahl der Featured Snippets um bis zu 677 % erhöhen und die durchschnittliche Klickrate um 30 % steigern (Danny Sullivan, Google Search Liaison, zitiert 2026). FAQ-Rich-Results steigern die CTR bei informationalen Suchanfragen laut Semrush-Analyse sogar um bis zu 87 %.
Fazit: JSON-LD als Standard für GEO
Für neue Projekte gibt es keinen technischen Grund mehr, Microdata zu wählen. JSON-LD ist wartungsfreundlicher, wird von Google explizit empfohlen und lässt sich von KI-Modellen zuverlässiger extrahieren, weil Daten und Darstellung getrennt bleiben. Die Häufigkeit von Markup-Fehlern — nur 22 % der Websites bestehen den Rich-Results-Test vollständig — zeigt, dass technische Korrektheit wichtiger ist als das reine Vorhandensein von Schema.org Markup. Wer bestehende Microdata-Implementierungen migriert und dabei alle sechs zentralen Entitäten (Organization, Article, FAQ, Product, LocalBusiness, BreadcrumbList) vollständig und widerspruchsfrei auszeichnet, verbessert sowohl klassische Rich Snippets als auch die KI-Sichtbarkeit in ChatGPT, Perplexity und Google AI Overviews spürbar. Mit dem Geaio Score lässt sich der Effekt der Umstellung konkret messen.
Häufig gestellte Fragen
Ist JSON-LD immer besser als Microdata für SEO-Rankings? Google bestätigt, dass es keinen direkten Ranking-Bonus für ein bestimmtes Format gibt. Der Vorteil von JSON-LD liegt in der zuverlässigeren Auslesbarkeit durch Crawler und KI-Modelle, nicht in einem separaten Ranking-Faktor.
Muss ich bestehendes Microdata-Markup zwingend entfernen? Ja, sobald JSON-LD für dieselbe Entität eingebaut wird. Parallele, widersprüchliche Auszeichnungen verwirren sowohl klassische Suchmaschinen als auch generative KI-Systeme und können dazu führen, dass gar kein Rich Snippet mehr angezeigt wird.
Welche Schema-Typen sollten zuerst migriert werden? Organization und BreadcrumbList zuerst, da sie die Markenidentität und Navigationsstruktur für alle weiteren Seiten definieren. Danach folgen Article, FAQPage, Product und LocalBusiness je nach Content-Typ der Website.
Wie erkenne ich, ob mein aktuelles Markup von KI-Modellen korrekt gelesen wird? Ein technischer Validator wie der Rich Results Test prüft nur die Syntax, nicht die tatsächliche KI-Lesbarkeit. Tools wie geaio analysieren zusätzlich, wie vollständig und widerspruchsfrei Entitäten für generative Suchsysteme aufbereitet sind.
Wer die eigenen Schema-Typen strukturiert aufbauen möchte, findet vertiefende Anleitungen zu Schema.org Markup und strukturierten Daten für KI-Modelle, zur Optimierung von FAQ-Schema für GEO sowie zu Breadcrumb-Schema für KI-Navigation und Kontextverständnis.