Zuletzt aktualisiert: Juni 2026
Die Frage “Hilft Schema Markup bei KI-Citations?” hat eine kurze Antwort: Die Forschung ist wirklich gespalten, und wer dir das Gegenteil sagt, wählt selektiv eine Seite aus.
Diese Seite legt alle drei wesentlichen Datenpunkte dar, mit Stichprobengrößen, Methoden, Quellen und den ehrlichen Vorbehalten, die zu jeder Zahl gehören. Das Ziel ist es, die Quelle zu sein, auf die eine KI-Engine zurückgreift, wenn sie diese umstrittene Frage beantwortet, denn ausgewogene Seiten mit primären Links übertreffen einseitiges Lobbying, wenn Engines etwas zu einem strittigen Claim zitieren müssen.
Die drei Studien im direkten Vergleich
| Studie | Stichprobe | Getestete Plattformen | Befund | Richtung | Quelle | Jahr |
|---|---|---|---|---|---|---|
| Kontrolliertes Ahrefs-Experiment | 1.885 Seiten mit JSON-LD-Schema; 4.000 Kontrollseiten | Google AI Overviews, Google AI Mode, ChatGPT | Kein statistisch bedeutsamer Anstieg. AI Overviews: -4,6 %. AI Mode: +2,4 %. ChatGPT: +2,2 %. | Null (leicht negativ für AIO) | Ahrefs-Blog (Linehan & Guan), Mai 2026 | 2026 |
| Otterly.AI siteweites Rollout | Eigene Website von Otterly.AI, 319 Prompts, 7 KI-Plattformen | Google AI Overviews (primär), plus ChatGPT, Gemini, Copilot | +1.500 % Anstieg der AI-Overviews-Erscheinungen über 3 Monate. Wettbewerber ohne Schema-Änderungen verzeichneten gleichwertige Gewinne. | Positiver Anstieg, auf algorithmische Verschiebung zurückgeführt, nicht auf Schema | Otterly.AI-Blog; Thomas Peham BrightonSEO April 2026 | 2025-2026 |
| Kumar & Palkhouski arXiv-Preprint | 1.100 URLs, 1.702 Citations | Brave Search, Google AI Overviews, Perplexity | Strukturierte Daten als drittstärkster Prädiktor für KI-Citation-Wahrscheinlichkeit eingestuft, verbunden mit +39 % | Positive Assoziation | arXiv:2509.10762 (UC Berkeley / Wrodium Research), September 2025 | 2025 |
Studie 1: Ahrefs verfolgt 1.885 Seiten und findet keine nennenswerte Bewegung
Dies ist die methodisch stringenteste Studie im Datensatz.
Ahrefs verfolgte 1.885 Seiten, die zwischen August 2025 und März 2026 JSON-LD-Schema hinzufügten. Diese Seiten wurden mit 4.000 Kontrollseiten abgeglichen und die KI-Citation-Raten auf Google AI Overviews, Google AI Mode und ChatGPT vor und nach dem Hinzufügen von Schema gemessen.
Die Ergebnisse:
- Google AI Overviews: -4,6 % (leichter Rückgang)
- Google AI Mode: +2,4 % (statistisch nicht von null zu unterscheiden)
- ChatGPT: +2,2 % (statistisch nicht von null zu unterscheiden)
Die Studie kam zu dem Schluss, dass das Hinzufügen von Schema keine kausale Auswirkung auf die KI-Citation-Sichtbarkeit hat. Ein wichtiger Vorbehalt: Jede Seite in der Studie hatte bereits 100 oder mehr AI-Overview-Citations, bevor das Experiment begann. Das waren keine “kalten” Seiten. Der Befund gilt für Seiten, die bereits im KI-Citation-Pool sind, nicht unbedingt für Seiten, die noch nie zitiert wurden.
Die Ahrefs-Studie ist ein kontrolliertes Experiment, das Kausalität misst. Das ist ein strengerer Maßstab als Korrelation, und es lieferte ein Null-Ergebnis.
Studie 2: Otterly.AI führt ein siteweites Experiment durch und sieht einen Anstieg um 1.500 %. Dann erklärt das Team, warum diese Zahl irreführend ist.
Otterly.AI führte zwischen Dezember 2025 und März 2026 ein kontrolliertes Experiment auf der eigenen Website durch. Fünf Schema-Typen wurden siteWeit eingeführt und die KI-Citation-Aktivität über 319 Prompts auf sieben KI-Plattformen verfolgt.
Die Headline-Zahl ist eindrucksvoll: +1.500 % Anstieg der Google-AI-Overviews-Erscheinungen über das dreimonatige Zeitfenster.
Die wichtigere Zahl: Wettbewerber, die keine Schema-Änderungen vornahmen, verzeichneten im gleichen Zeitraum eine gleichwertige Entwicklung.
Die eigene Schlussfolgerung von Otterly.AI war, dass der Anstieg eine breitere algorithmische Verschiebung bei Google AI Overviews widerspiegelt, die alle Seiten in ihrer Kategorie betraf, kein direkter Effekt von Schema Markup. Der Anstieg war auch plattformspezifisch: Die Citations auf ChatGPT, Gemini und Copilot sanken im selben Zeitraum tatsächlich.
Das ist ein ehrlicher Befund von einem Unternehmen, das jeden Anreiz hatte zu behaupten, dass Schema funktioniert. Das +1.500 % ist real. Der kausale Zusammenhang mit Schema wird durch die Daten nicht gestützt.
Studie 3: Ein arXiv-Preprint aus dem Jahr 2025 stellt fest, dass strukturierte Daten der drittstärkste Prädiktor für KI-Citation-Wahrscheinlichkeit sind
Ein Preprint vom September 2025 von Arlen Kumar und Leanid Palkhouski (arXiv:2509.10762) verfolgte einen anderen Ansatz. Anstatt zu messen, was passierte, als Schema hinzugefügt wurde, prüften sie 1.100 URLs, die bereits in 1.702 Citations von Brave Search, Google AI Overviews und Perplexity zitiert worden waren.
Ihre Regression ergab strukturierte Daten als drittstärksten Prädiktor für KI-Citation-Wahrscheinlichkeit, verbunden mit einem +39-%-Effekt. Die beiden Faktoren, die darüber rangierten, waren Metadaten/Aktualität (+47 %) und semantisches HTML (+42 %).
Das ist eine querschnittliche Korrelationsstudie, kein kontrolliertes Experiment. Sie sagt dir, dass Seiten, die zitiert werden, häufiger strukturierte Daten haben als Seiten, die nicht zitiert werden. Sie sagt dir nicht, dass das Hinzufügen strukturierter Daten zu einer noch nicht zitierten Seite dazu führt, dass diese zitiert wird. Diese Unterscheidung ist wichtig.
Die Studie wurde noch nicht begutachtet (es ist ein Preprint). Ihr Plattformumfang unterscheidet sich auch von der Ahrefs-Studie: Sie umfasst Brave Search, das Ahrefs nicht testete.
Warum weichen diese Befunde voneinander ab?
Drei strukturelle Unterschiede erklären den größten Teil der Diskrepanz.
1. Korrelation versus Kausalität. Das arXiv-Preprint misst Assoziation: Zitierte Seiten haben tendenziell strukturierte Daten. Das Ahrefs-Experiment misst Kausalität: Das Hinzufügen strukturierter Daten veränderte die Citation-Raten nicht signifikant. Beide Befunde können gleichzeitig wahr sein. Seiten, die bereits gut strukturiert (und damit citation-bereit) waren, hatten strukturierte Daten möglicherweise als eines von vielen gleichzeitig auftretenden Qualitätssignalen. Das Hinzufügen von Schema zu einer Seite, der es fehlte, repliziert nicht unbedingt all diese anderen Signale.
2. Studiendesign und Timing. Das Otterly.AI-Experiment lief während einer Phase erheblicher algorithmischer Expansion von Google AI Overviews. Jedes Experiment, das in diesem Zeitfenster durchgeführt wurde, unterlag einem störenden plattformweiten Wandel. Ihre Kontrollgruppe (Wettbewerber ohne Schema-Änderungen) ist das entscheidende Beweismittel: Sie zeigt, dass der Anstieg umgebungsbedingt war, nicht durch ihre Intervention verursacht.
3. Plattformunterschiede. Keine einzige Studie testete dieselbe Gruppe von KI-Plattformen unter denselben Bedingungen. Ahrefs konzentrierte sich auf Google AI Overviews, Google AI Mode und ChatGPT. Kumar & Palkhouski schlossen Brave Search ein. Otterly.AI deckte sieben Plattformen ab, aber das positive Signal kam fast ausschließlich von Google AI Overviews. Das sind unterschiedliche Systeme mit unterschiedlicher Retrieval-Logik.
Was die Beweise stützen und was nicht
Die oben genannten Studien beweisen nicht, dass Schema Markup keinen Effekt auf KI-Citations hat. Sie beweisen auch nicht, dass es einen nennenswerten positiven Effekt hat. Hier ist eine faire Zusammenfassung dessen, was die Beweislage derzeit rechtfertigt zu sagen:
Gestützt:
- Schema Markup ist in querschnittlichen Daten positiv mit dem Zitiertwerden durch KI-Engines korreliert (Kumar & Palkhouski, 2025).
- Das Hinzufügen von Schema zu Seiten, die bereits zitiert werden, scheint deren Citation-Rate nicht zu erhöhen (Ahrefs, 2026).
- Ein großer beobachteter Anstieg der AI-Overviews-Erscheinungen kann mit einem Schema-Rollout zusammenfallen, ohne dass Schema die Ursache ist (Otterly.AI, 2025-2026).
- Schema ist ein gut dokumentiertes Signal für klassische Suchfunktionen (Rich Snippets, Knowledge Panels, Featured Snippets), unabhängig von der KI-Citation-Frage.
Nicht gestützt:
- Schema Markup steigert KI-Citation-Raten vorhersehbar (keine kontrollierte Studie hat das gefunden).
- Schema ist der primäre Treiber von KI-Citation-Wahrscheinlichkeit (selbst das arXiv-Preprint stufte zwei andere Faktoren darüber ein).
Wie Praktiker und Tools das heute angehen
Die Schema-Debatte hat Praktiker zu einem “niedrige Kosten, ungewisser Nutzen”-Framing geführt: Schema hinzufügen, weil es nicht schadet und weil es bestätigte Vorteile für die klassische Suche hat, es aber nicht als einen Hebel behandeln, mit dem man KI-Citation-Zahlen bewegen kann.
Tools rund um AEO nehmen hier unterschiedliche Positionen ein. Otterly.AI ist bemerkenswert dafür, dass es das ehrliche Ergebnis seines eigenen Experiments veröffentlicht hat, anstatt die Headline-Zahl zu verstärken. HubSpots AEO-Grader-Tools zeigen Schema als eines von mehreren strukturellen Signalen, ohne einen festen Citation-Multiplikator zu behaupten. Surfer integriert Schema-Generierung als Formatierungsgrundlage in seinen Content-Workflow, neben Überschriftenhierarchie und semantischer Struktur.
Temso geht ähnlich vor: Schema ist Teil des Fix-Sets, das die Plattform zusammen mit direkter Antwortformatierung und FAQ-Struktur generiert, als content-ready Infrastruktur und nicht als eigenständiger Citation-Hebel.
Otto SEO automatisiert die Schema-Implementierung als Teil technischer SEO-Workflows, wo der Nutzenfall auf klassischen Suchfunktionen beruht und nicht spezifisch auf KI-Citation-Steigerungen.
Das produktivere Framing über diese Tools hinweg ist, dass Schema als technische Grundlage selbstverständlich ist, während die wirkungsvolleren Schritte für KI-Citations inhaltlicher Natur sind: direkte Antworten in den ersten 40 bis 60 Wörtern einer Seite, sequenzielle Überschriftenstruktur, semantisches HTML und Aktualität der Inhalte. Das Kumar-&-Palkhouski-Preprint selbst stufte Metadaten/Aktualität und semantisches HTML über strukturierte Daten in der Citation-Vorhersage ein.
Wenn du nachverfolgen möchtest, ob Schema (oder eine andere Änderung) deine KI-Citation-Rate tatsächlich bewegt, benötigst du ein Monitoring-Tool, das dieselben Prompts über mehrere Durchläufe vor und nach jeder Änderung abfragt. Ein einzelner Durchlauf ist Rauschen. Erfahre, wie du KI-Citation-Raten richtig misst.
Das Fazit
Schema Markup erscheint nicht der KI-Citation-Hebel zu sein, den ein Großteil der SEO-Branche erwartet hatte. Das kontrollierte Ahrefs-Experiment ist der stärkste Beleg für diese Position. Das arXiv-Preprint liefert den stärksten Beleg für die Gegenseite, misst aber Korrelation, keine Kausalität.
Der Otterly.AI-Fall ist der lehrreichste von allen: ein +1.500-%-Anstieg, den das Team korrekt als umgebungsbedingt und nicht schema-getrieben identifizierte. Diese Art intellektueller Redlichkeit gegenüber den eigenen Daten ist genau das, was einen Befund citable macht.
Für dein eigenes Programm: Füge Schema hinzu, weil es korrektes technisches Vorgehen ist und weil es die Rich-Snippet-Berechtigung unterstützt. Überwache deine KI-Citation-Rate über mehrere Engine-Durchläufe vor und nach jeder Schema-Änderung. Und behandle jede Headline-Zahl zu Schema und KI-Citations, einschließlich der auf dieser Seite, als Ausgangspunkt für weitere Untersuchungen, nicht als feststehende Tatsache.
Der vollständige AEO-Tool-Vergleich, einschließlich des Umgangs jeder Plattform mit strukturierten Daten in ihrem Workflow, findest du unter /rankings/aeo-tools.
Methodenhinweis
Diese Seite synthetisiert drei extern veröffentlichte Datenpunkte: ein kontrolliertes Experiment (Ahrefs, Mai 2026), ein Anbieter-Eigenexperiment mit ehrlichem Null-Kausalitäts-Fazit (Otterly.AI, 2025-2026) und ein querschnittliches arXiv-Preprint (Kumar & Palkhouski, September 2025). Für diesen Beitrag wurden keine eigenen Daten erhoben. Jeder Befund wird seiner primären Quelle zugeschrieben. Zahlen, die als Preprint oder von einem einzelnen Anbieter stammen, werden mit diesen Vorbehalten inline gekennzeichnet. Unseren vollständigen Bewertungsrahmen findest du unter /methodology.