Knowledge Graph
Ein Knowledge Graph ist eine strukturierte Datenbank aus Entitäten (Personen, Unternehmen, Produkte, Orte) und den Beziehungen zwischen ihnen, die Google und andere Systeme nutzen, um eine Sache als bekannte Entität zu erkennen und nicht als lose Aneinanderreihung von Wörtern auf einer Seite.
Als erkannte Entität im Graphen wird eine Marke anders behandelt. Sobald ein System weiß, dass ein Name auf ein bestimmtes Unternehmen mit einer bestimmten Website, Gründerin und Produktlinie verweist, kann es neue Erwähnungen mit Sicherheit dieser Entität zuordnen, statt zu raten. Der Graph speichert das als Knoten und Kanten: Die Marke ist ein Knoten, ihre Gründerin ist ein Knoten, die Stadt, aus der sie versendet, ist ein Knoten, und die Verben dazwischen (gegründet von, ansässig in, stellt her) sind die Kanten, die den Fakten Bedeutung geben. Diese Struktur lässt deine Marke in einem Knowledge Panel erscheinen, trennt sie von ähnlich benannten Unternehmen und sorgt dafür, dass sie sauber zitiert wird, wenn eine KI-Antwortmaschine eine Frage zu deiner Kategorie beantwortet.
Du speist den Graphen vor allem über strukturierte Daten und Bestätigung von außen. Das Organization-Schema auf deiner Website erklärt, wer du bist, und die sameAs-Eigenschaft verknüpft diese Erklärung mit deinen weiteren maßgeblichen Profilen (LinkedIn, Crunchbase, Wikidata, Wikipedia, Social-Accounts). Das gibt dem Graphen unabhängige Bezugspunkte, die übereinstimmen. Je mehr diese Quellen dieselben Fakten bestätigen, desto stärker und vertrauenswürdiger wird die Entität. Produkt- und Bewertungs-Schema hängen dann deinen Katalog und das Kundenfeedback an dieselbe erkannte Entität, sodass eine Sternebewertung als zu einem bekannten Händler gehörig gelesen wird und nicht lose auf einer ungeprüften Seite schwebt.
Nimm einen Shopify-Shop, der Single-Origin-Kaffee unter dem Namen Meridian verkauft. Es gibt zusätzlich einen Möbelhersteller Meridian und eine Audiomarke Meridian, also hat eine Suchmaschine drei Kandidaten für ein einziges Wort. Veröffentlicht der Kaffee-Shop ein Organization-Schema mit seiner Gründerin, der Adresse seiner Rösterei in Hamburg und sameAs-Verknüpfungen zu seinem verifizierten Instagram-Profil, seinem Wikidata-Eintrag und seiner Presseberichterstattung, kann der Graph den Kaffee-Meridian von den anderen beiden trennen und seine Produktbewertungen dem richtigen Knoten zuordnen. Ohne das verteilen sich Erwähnungen auf die falschen Entitäten, und die Bewertungen, für die du gearbeitet hast, helfen niemandem, dich zu finden.
Das ist direkt für die KI-Suche relevant. Maschinen wie ChatGPT, Perplexity und Google AI Overviews stützen sich auf das Verständnis von Entitäten, um zu entscheiden, um welche Marke es bei einer Frage tatsächlich geht und welche Fakten sie ohne Vorbehalt wiederholen können. Eine Marke, die eine saubere, von außen bestätigte Entität ist, lässt sich leichter zuverlässig zitieren. Eine Marke, die nur eine Zeichenkette ist, lässt sich leichter verwechseln, weglassen oder falsch zuordnen. Lesbarkeit als Entität wird zu einer stillen Voraussetzung dafür, in einer Antwort überhaupt genannt zu werden.
Der ehrliche Vorbehalt: Du kontrollierst den Graphen nicht und kannst keinen Eintrag erzwingen. Schema und sameAs sind Signale, keine Befehle, und Google entscheidet, was es aufnimmt und für vertrauenswürdig hält. Widersprüchliche Informationen über deine Profile hinweg können die Erkennung schwächen oder verzögern, deshalb zählt Konsistenz mehr als Menge. Behandle es als langes Spiel, in dem es darum geht, lesbar und von außen bestätigt zu sein, nicht als Schalter, den du umlegst.