Review-Schema für AI Overviews: Kundenbewertungen in KI-Antworten nutzen

Definition: Review-Schema ist eine Form strukturierter Daten nach Schema.org, die Kundenbewertungen, Sternebewertungen und Rezensionen maschinenlesbar auszeichnet. KI-Systeme wie Google AI Overviews, ChatGPT und Perplexity nutzen diese Auszeichnung, um Bewertungsdaten zu extrahieren und in generierten Antworten zu zitieren. Fehlt dieses Markup, bleibt der gesamte Bewertungsinhalt für KI-Crawler unsichtbar.

Was ist Review-Schema — und warum kennt es die KI?

Review-Schema AI Overviews ist kein neues Konzept — aber seine Bedeutung hat sich grundlegend verschoben. Früher diente strukturiertes Bewertungs-Markup vor allem dazu, gelbe Sternchen in den Google-Suchergebnissen anzuzeigen. Heute ist es ein direkter Kanal zur KI: Wer sein Review-Schema korrekt implementiert, erhöht die Chance erheblich, dass ChatGPT, Perplexity oder Google AI Overviews die eigenen Kundenbewertungen in generierten Antworten verwenden und die Website als verlässliche Quelle zitieren.

Das Kern-Problem ist bekannt: Viele Website-Betreiber haben Kundenbewertungen auf ihrer Seite — aber ohne strukturierte Daten liest die KI sie schlicht nicht. HTML-Sternchen, JavaScript-Widgets oder eingebettete Google-Reviews sind für KI-Crawler weitgehend unsichtbar. Was fehlt, ist ein maschinenlesbares Signal, das der KI unmissverständlich mitteilt: „Hier sind 4,8 von 5 Sternen aus 247 verifizierten Kundenbewertungen für dieses Produkt.”

Laut Search Engine Land erscheinen Seiten mit vollständig implementiertem Schema-Markup 36 % häufiger in KI-generierten Zusammenfassungen und AI Overviews als Seiten ohne strukturierte Daten. (Search Engine Land, 2025)

So liest die KI deine strukturierten Bewertungsdaten

KI-Systeme arbeiten nicht wie Menschen. Sie folgen keinen Links zu Bewertungsplattformen, sie scrollen nicht durch Produktseiten — sie lesen strukturierte JSON-LD-Blöcke direkt aus dem Quellcode deiner Seite. Fehlt dieses Markup, existiert die Bewertungsinformation für die KI faktisch nicht.

Der Unterschied zwischen einer Seite mit und ohne Review-Schema ist messbar: In einem kontrollierten Experiment von Search Engine Land erschien ausschließlich die Seite mit korrekt implementiertem JSON-LD in einem Google AI Overview und belegte gleichzeitig organisch Position 3. Die Variante ohne Schema-Markup wurde hingegen nie als Quelle für die KI-Antwort herangezogen. (Search Engine Land, 2025)

Wie Schema.org-Markup generell die KI-Lesbarkeit beeinflusst und welche technischen Grundlagen dabei gelten, erklärt der Beitrag zu Schema.org Markup für KI-Modelle und strukturierte Daten.

Drei Verarbeitungsebenen der KI

1. Extraktion: Die KI liest das JSON-LD und identifiziert Entitäten (Produkt, Bewertung, Bewertender, Datum).
2. Validierung: Es wird geprüft, ob die Daten plausibel, konsistent und mit dem sichtbaren Seiteninhalt übereinstimmend sind.
3. Integration: Valide Bewertungsdaten fließen in generierte Antworten und AI Overviews ein und werden als vertrauenswürdiges Signal gewertet.

Die 5 wichtigsten Schema-Typen für AI Overviews

Nicht jedes Schema wirkt gleich stark. Für Bewertungen empfiehlt Schema.org eine Kombination aus mehreren Typen — je nach Seitenkontext und Unternehmensart:

Schema-Typ	Einsatzbereich	Pflichtfelder für KI-Sichtbarkeit
Review	Einzelne Rezension mit Text, Autor und Datum	reviewRating, author, reviewBody
AggregateRating	Durchschnittsbewertung (z. B. 4,8/5 aus 247 Bewertungen)	ratingValue, reviewCount, bestRating
Product	Produkt- und Dienstleistungsseiten	name, aggregateRating
LocalBusiness	Lokale Unternehmen (Google Maps + AI Overviews)	name, address, aggregateRating
Organization	Marken- und Unternehmensdarstellungen	name, url, aggregateRating

Die stärkste Kombination für maximale KI-Sichtbarkeit ist: Product oder LocalBusiness als übergeordneter Typ, ergänzt durch AggregateRating und mindestens einem vollständigen Review-Objekt mit ausgefülltem reviewBody. Nur so stellt die KI einen inhaltlichen Bezug her.

Review-Schema richtig implementieren: JSON-LD Schritt für Schritt

Das empfohlene Format ist JSON-LD im <script type="application/ld+json">-Tag im <head> der Seite. Microdata und RDFa werden von KI-Systemen schlechter verarbeitet und sind fehleranfälliger bei Updates.

Ein Minimalbeispiel für ein Produkt mit Bewertungen:

{
  "@context": "https://schema.org",
  "@type": "Product",
  "name": "SEO-Analyse-Tool",
  "aggregateRating": {
    "@type": "AggregateRating",
    "ratingValue": "4.8",
    "reviewCount": "247",
    "bestRating": "5",
    "worstRating": "1"
  },
  "review": {
    "@type": "Review",
    "reviewRating": {
      "@type": "Rating",
      "ratingValue": "5"
    },
    "author": {
      "@type": "Person",
      "name": "Maria K."
    },
    "reviewBody": "Das Tool hat unsere KI-Sichtbarkeit in drei Wochen von 18 auf 74 Punkte gebracht.",
    "datePublished": "2025-03-15"
  }
}

Nach der Implementierung sollte das Markup mit einem geeigneten Testwerkzeug validiert werden, etwa dem Rich-Results-Test von Google oder einem Schema-Validator. So lassen sich fehlende Pflichtfelder oder Syntaxfehler erkennen, bevor die KI die Seite crawlt.

Häufig gestellte Fragen

Reicht ein einzelnes Review-Objekt im JSON-LD aus, oder müssen alle Bewertungen einzeln ausgezeichnet werden? Für die KI-Sichtbarkeit genügt in der Regel ein repräsentatives Review-Objekt in Kombination mit einem vollständigen AggregateRating. Zusätzliche einzelne Reviews stärken das Signal, sind aber kein Muss — wichtiger ist, dass die vorhandenen Bewertungen inhaltlich mit dem sichtbaren Seiteninhalt übereinstimmen.

Werden auch negative Bewertungen im Review-Schema erfasst und von der KI zitiert? Ja, das Schema kennt keine Einschränkung auf positive Bewertungen. Wird die Bandbreite über worstRating und einzelne reviewRating-Werte transparent abgebildet, kann die KI auch differenzierte oder kritische Stimmen in ihre Antwort einbeziehen.

Was passiert, wenn die im Schema angegebenen Bewertungswerte nicht zum sichtbaren Seiteninhalt passen? KI-Systeme prüfen strukturierte Daten gegen den sichtbaren Inhalt der Seite. Weichen die Werte deutlich voneinander ab, gilt das Markup als unglaubwürdig und wird bei der Antwortgenerierung eher verworfen als zitiert.

Reicht Review-Schema allein aus, um in AI Overviews zu erscheinen? Nein. Review-Schema erhöht die Wahrscheinlichkeit einer Zitierung, ersetzt aber nicht andere Grundlagen wie eine gut strukturierte Seite, klare Entitäten und weiteres Schema.org-Markup. Es wirkt als ergänzendes Vertrauens- und Extraktionssignal innerhalb eines größeren GEO-Ansatzes.