Perfekte Produktdaten für AI: Wie tiefe strukturierte Daten deine Marke in die Antwort bringen

AI-Assistenten wie ChatGPT, Perplexity, Gemini, Claude und Copilot lesen deine Seite nicht so, wie ein Mensch sie sieht. Sie lesen den Text und eine maschinenlesbare Schicht darunter: strukturierte Daten im schema.org-Format, meist als JSON-LD.

Die Basis-Schemas dafür (FAQPage, ein Product mit Name und Preis, Organization) sind Pflicht, aber kein Vorsprung. Das kann bald jeder Entwickler, es ist der Boden. Der eigentliche Hebel liegt darüber: Daten, die die echte Frage hinter einem Prompt beantworten.

Wie Menschen wirklich fragen

Niemand sucht "Espressomaschine 25 cm breit". Gesucht wird eine Situation:

"Ich suche einen Siebträger für eine kleine Küche, der auch Cappuccino macht. Der Wassertank muss seitlich rein, über der Maschine hängt ein Schrank."

Der Assistent zerlegt das in Rückfragen: Dual-Boiler oder Einkreiser? Wie breit und hoch? Kann der Tank seitlich befüllt werden? Milchschaum? Budget? Jede dieser Rückfragen ist ein Feld in deinen Produktdaten oder eben eine Lücke, die dich aus der Antwort wirft.

Und die Anfragen werden spezifischer, nicht unbedingt länger. Ob als ganzer Satz oder keyword-artig, die entscheidenden Constraints, die kleine Küche, der seitliche Tank, das Budget, stehen meist schon im ersten Prompt. Jeder davon ist ein Datenfeld, das du beantwortest oder eben nicht.

Das Minimum gegen die Tiefe

So sieht das Product-Minimum aus, das die meisten Shops liefern. Formal korrekt, aber es beantwortet keine einzige der obigen Fragen:

{
  "@context": "https://schema.org",
  "@type": "Product",
  "name": "Roma Dual Espressomaschine",
  "brand": { "@type": "Brand", "name": "Naturbohne" },
  "offers": {
    "@type": "Offer",
    "priceCurrency": "EUR",
    "price": "899.00",
    "availability": "https://schema.org/InStock"
  }
}

Und so sieht dasselbe Produkt aus, wenn die Daten die Fragen wirklich beantworten. Der Träger ist additionalProperty für freie Spezifikationen plus width/height/depth als QuantitativeValue:

{
  "@context": "https://schema.org",
  "@type": "Product",
  "name": "Naturbohne Roma Dual, Siebträger-Espressomaschine",
  "brand": { "@type": "Brand", "name": "Naturbohne" },
  "category": "Siebträger-Espressomaschine",
  "description": "Dual-Boiler-Siebträger für Espresso und Cappuccino, kompakt für kleine Küchen.",
  "image": "https://example.com/roma-dual.jpg",
  "width":  { "@type": "QuantitativeValue", "value": 25, "unitCode": "CMT" },
  "height": { "@type": "QuantitativeValue", "value": 38, "unitCode": "CMT" },
  "depth":  { "@type": "QuantitativeValue", "value": 42, "unitCode": "CMT" },
  "weight": { "@type": "QuantitativeValue", "value": 14, "unitCode": "KGM" },
  "additionalProperty": [
    { "@type": "PropertyValue", "name": "Boiler-System", "value": "Dual-Boiler, getrennt für Brühen und Dampf" },
    { "@type": "PropertyValue", "name": "Wassertank", "value": "2,5 l, seitlich entnehmbar, Befüllung von oben nicht möglich" },
    { "@type": "PropertyValue", "name": "Milchgetränke", "value": "Ja, professionelle Dampflanze für Cappuccino und Latte" },
    { "@type": "PropertyValue", "name": "Aufheizzeit", "value": "ca. 6 Minuten" },
    { "@type": "PropertyValue", "name": "Entkalkungsintervall", "value": "alle 2 Monate bei mittlerer Wasserhärte" },
    { "@type": "PropertyValue", "name": "Ideal für", "value": "kleine Küchen und Einsteiger mit Espresso-Anspruch" }
  ],
  "offers": {
    "@type": "Offer",
    "priceCurrency": "EUR",
    "price": "899.00",
    "availability": "https://schema.org/InStock",
    "url": "https://example.com/roma-dual"
  }
}

Jede Zeile im additionalProperty-Block beantwortet einen konkreten Prompt: die Wassertank-Zeile beantwortet "kann ich seitlich befüllen", die Milch-Zeile "macht die Cappuccino", das Entkalkungsintervall die Wartungsfrage. Das ist der Unterschied zwischen auffindbar und empfohlen.

Warum Tiefe den Upper Funnel gewinnt

Der Punkt ist nicht nur Vollständigkeit, sondern wer die Antwort besitzt. Wenn ein User nach einer Nische fragt, die er noch nicht mit einer Marke verbindet, baut die AI die Shortlist aus dem, was sie an strukturierten Fakten findet. Lieferst du die tiefen Daten, taucht deine Marke im Upper Funnel auf, bei Leuten, die dich vorher nicht kannten.

Und Vorsicht vor der falschen Kennzahl: als Quelle zitiert zu werden ist nicht dasselbe, wie empfohlen zu werden. Monitoring-Tools zählen, wie oft deine Marke als Quelle auf allgemeine Kategorie-Prompts auftaucht. Da entscheidet der User aber nichts, er ist noch auf der Reise. Die Empfehlung fällt erst, wenn die AI auf konkrete Constraints eingrenzt, und da gewinnt, wer die Constraints in den Daten beantwortet, nicht, wer die meisten Quellen-Nennungen sammelt.

Lieferst du sie nicht, liefert sie der Händler. Der grosse Elektronik-Händler pflegt genau diese Specs, plus Preis, und steht dann vor dir in der Antwort. Er besitzt den Vergleich, und meistens gewinnt, wer zuerst da war.

Der Händler erzählt Preis. Die Marke erzählt Heritage und Story. Nur müssen beide maschinenlesbar sein, sonst hört die AI nur den Händler.