Local Inventory Schema: Produktverfügbarkeit für lokale KI-Sichtbarkeit

4. Juni 2026 · von geaio

Definition: Local Inventory Schema ist ein strukturiertes Daten-Markup auf Basis von Schema.org, das KI-Modellen und Suchmaschinen mitteilt, welche Produkte ein stationäres Geschäft vorrätig hat, zu welchem Preis und unter welchen Abholbedingungen. Es verknüpft physische Verfügbarkeitsdaten mit lokalen Entitätssignalen und ermöglicht Systemen wie Google AI Overviews, ChatGPT Search oder Perplexity, ein lokales Unternehmen als zuverlässige, ortsgebundene Informationsquelle zu erkennen und zu zitieren.

Warum lokale Verfügbarkeitsdaten für KI-Modelle relevant sind

Generative KI-Systeme beantworten Suchanfragen zunehmend direkt — ohne den Nutzer auf eine externe Website weiterzuleiten. Für lokale Unternehmen bedeutet das: Wer in einer KI-Antwort zu „Schraubenzieher kaufen in Berlin” oder „Apotheke mit Vorrat XY in Hamburg” nicht auftaucht, verliert potenzielle Laufkundschaft, noch bevor diese die eigene Website aufgerufen hat.

Laut einer Analyse von Local Falcon (2025) erscheinen KI-generierte Antworten bereits bei rund 40 Prozent aller lokalen Suchanfragen. Gleichzeitig belegt eine Auswertung von Stackmatix (2026), dass Seiten mit korrekt implementiertem Schema-Markup eine 2,5-fach höhere Chance haben, in KI-generierten Antworten zitiert zu werden. Ohne maschinenlesbare Strukturierung bleiben Verfügbarkeitsinformationen für diese Systeme schlicht unsichtbar.

Das Local Inventory Schema ist dabei kein reines SEO-Werkzeug. Es ist ein Kommunikationsprotokoll zwischen dem physischen Lagerbestand eines Geschäfts und den Wissensdatenbanken moderner KI-Modelle.

Local Inventory Schema — Aufbau und Kernfelder

Local Inventory Schema basiert auf dem Schema.org-Typ Product in Kombination mit Offer und ItemAvailability. Es erweitert bestehende Produktauszeichnungen um standortspezifische Verfügbarkeitsinformationen, die direkt auf eine physische Filiale verweisen.

Die wichtigsten Felder im Überblick:

Feld	Typ	Bedeutung
`@type`	`Product`	Produktentität
`name`	Text	Produktname
`offers`	`Offer`	Angebotsdetails
`availability`	`ItemAvailability`	z. B. `InStock`, `OutOfStock`
`availableAtOrFrom`	`Place`	Verweis auf den Filialstandort
`price`	Number	Aktueller Preis
`priceCurrency`	Text	Währungsangabe (z. B. EUR)
`seller`	`Organization`	Verkäufer / Filiale

Ein minimales Beispiel in JSON-LD:

{
  "@context": "https://schema.org",
  "@type": "Product",
  "name": "Handbohrmaschine ProDrill 800W",
  "offers": {
    "@type": "Offer",
    "availability": "https://schema.org/InStock",
    "price": "79.99",
    "priceCurrency": "EUR",
    "availableAtOrFrom": {
      "@type": "Place",
      "name": "Baumarkt Musterstadt",
      "address": {
        "@type": "PostalAddress",
        "streetAddress": "Hauptstraße 12",
        "addressLocality": "Musterstadt",
        "postalCode": "12345",
        "addressCountry": "DE"
      }
    }
  }
}

Dieses Markup wird als <script type="application/ld+json"> in den <head> oder <body> der jeweiligen Produktseite eingebettet. Für Geschäfte mit mehreren Filialen und wechselndem Bestand empfiehlt sich eine dynamische Generierung direkt aus dem Warenwirtschaftssystem, damit availability und price stets den tatsächlichen Ist-Zustand abbilden.

Von der Auszeichnung zur KI-Sichtbarkeit: Was zusätzlich zählt

Das technische Markup allein reicht nicht aus. Erst im Zusammenspiel mit weiteren lokalen Signalen wird ein Unternehmen für KI-Modelle als vertrauenswürdige Quelle erkennbar:

NAP-Konsistenz: Name, Adresse und Telefonnummer im address-Block müssen exakt mit den Angaben im Google-Unternehmensprofil, im Impressum und in Branchenverzeichnissen übereinstimmen. Abweichungen — etwa „Str.” statt „Straße” — erschweren es KI-Systemen, die Entität eindeutig zuzuordnen.
Verknüpfung mit dem Google-Unternehmensprofil: Die im Schema hinterlegte Place-Entität sollte sich mit den Standortdaten im Google-Unternehmensprofil (vormals Google My Business) decken, da viele KI-Systeme beide Quellen zur Absicherung heranziehen.
Aktualität statt Momentaufnahme: Ein einmalig eingebettetes Markup verliert schnell an Aussagekraft. Verfügbarkeit und Preis sollten bei jeder relevanten Bestandsänderung automatisch aktualisiert werden.
Saubere Entitätsstruktur: Wird das Produkt-Markup mit einer übergeordneten LocalBusiness- oder Organization-Entität verknüpft, können KI-Modelle das einzelne Angebot leichter im Kontext des gesamten Unternehmens einordnen.

Unternehmen, die diese vier Punkte konsequent umsetzen, schaffen die Grundlage dafür, in lokalen KI-Antworten nicht nur erwähnt, sondern als verlässliche Quelle zitiert zu werden.

Häufig gestellte Fragen

Ist Local Inventory Schema nur für den Einzelhandel relevant? Der Schwerpunkt liegt auf Geschäften mit physischem Warenbestand, etwa im Einzelhandel oder Handwerk. Grundsätzlich eignet sich das Prinzip aber für jedes lokal gebundene Unternehmen, das Verfügbarkeit kommunizieren will — etwa Terminslots oder Ausleihgegenstände lassen sich analog über Offer und availability abbilden.

Reicht ein einmal eingebautes Markup dauerhaft aus? Nein. Wenn availability oder price nicht mit dem tatsächlichen Bestand übereinstimmen, verlieren KI-Systeme und Suchmaschinen mit der Zeit das Vertrauen in die Datenquelle. Eine Anbindung an das Warenwirtschaftssystem sorgt dafür, dass die Angaben automatisch aktuell bleiben.

Was passiert, wenn NAP-Daten zwischen Website und Google-Unternehmensprofil abweichen? KI-Modelle gleichen mehrere Quellen ab, um eine lokale Entität eindeutig zu identifizieren. Widersprüchliche Adress- oder Telefonangaben erschweren diese Zuordnung und können dazu führen, dass ein Standort gar nicht oder nur unvollständig in KI-generierten Antworten berücksichtigt wird.

Braucht man für Local Inventory Schema ein eigenes Entwicklerteam? Für eine einzelne Filiale lässt sich das Markup manuell in die Produktseiten einbetten. Bei mehreren Standorten oder häufig wechselndem Bestand ist eine automatisierte Generierung aus bestehenden Produkt- und Lagerdaten sinnvoll, damit die Angaben ohne manuellen Pflegeaufwand korrekt bleiben.

Hinweis zur Erstellung

Dieser Beitrag wurde mit Unterstützung künstlicher Intelligenz erstellt. Die Analyse hinter dem geaio-Score arbeitet dagegen regelbasiert — dort ist kein KI-Modell im Spiel. Mehr dazu unter KI-Transparenz.

← Alle Artikel