- Entitäten sind eindeutig identifizierbare Dinge mit Attributen und Beziehungen: Personen, Organisationen, Produkte, Orte, Konzepte.
- Google und KI-Systeme nutzen Knowledge Graphs, um Entitätswissen strukturiert zu speichern. Wikidata ist die wichtigste offene Quelle dafür.
- Für GEO gilt: Ein Unternehmen, das als Entität nicht klar beschreibbar ist, wird von KI-Systemen in generierten Antworten nicht zuverlässig zitiert.
- Entitätssignale sind: Schema.org-Markup, Wikipedia/Wikidata-Einträge, konsistente NAP-Daten, Erwähnungen auf Autoritätsquellen.
- Das häufigste Problem ist nicht Unsichtbarkeit, sondern fehlerhafte Attributzuschreibung. Das KI-System kennt das Unternehmen, ordnet es aber falsch ein.
Was sind Entitäten und warum denken Suchmaschinen in ihnen?
Eine Entität ist ein eindeutig identifizierbares Ding mit definierten Attributen und Beziehungen zu anderen Entitäten. „Hanna Driever" ist eine Person-Entität mit Attributen wie Beruf, Arbeitgeber und Standort. „experics digital" ist eine Organisations-Entität mit Attributen wie Branche, Gründungsjahr und Spezialisierung.
Suchmaschinen wie Google haben seit dem Hummingbird-Update (2013) begonnen, Suchanfragen semantisch zu verstehen statt nur keyword-basiert. Das Mittel dazu: Knowledge Graphs, die Entitäten und ihre Beziehungen untereinander speichern. Wer als Entität im Knowledge Graph existiert, wird verstanden. Wer dort fehlt oder falsch eingetragen ist, bleibt eine unbekannte Zeichenkette.
Was ist Entity SEO und was bedeutet Entitätsaufbau?
Entity SEO ist die Disziplin, das Entitätsprofil eines Unternehmens, einer Person oder eines Produkts gegenüber Suchmaschinen so klar wie möglich zu beschreiben: durch maschinenlesbare Signale, konsistente Informationen und Belege aus vertrauenswürdigen Drittquellen.
Entitätsaufbau bezeichnet den aktiven Prozess, dieses Profil strukturiert zu entwickeln und zu stärken: Welche Attribute beschreiben das Unternehmen korrekt? Welche Quellen belegen diese Attribute? Wo stimmen Signale nicht überein? Das Ziel ist nicht Sichtbarkeit allein, sondern semantische Eindeutigkeit. Ein System, das eine Entität falsch versteht, kann sie nicht zuverlässig empfehlen.
Knowledge Graph: Googles strukturierte Wissensdatenbank, die Entitäten und ihre Beziehungen speichert. Basis für Knowledge Panels, Featured Snippets und zunehmend für AI Overviews.
Wikidata: Offene, maschinenlesbare Wissensdatenbank der Wikimedia Foundation. Wichtigste externe Quelle, aus der Google und LLMs Entitätswissen ziehen.
Schema.org: Vokabular für strukturierte Daten im HTML-Markup (JSON-LD). Ermöglicht es, Entitätsattribute direkt auf der eigenen Website maschinenlesbar zu deklarieren.
Warum sind Entitäten für GEO noch wichtiger als für klassisches SEO?
In der klassischen Suche kann ein Unternehmen trotz schwachem Entitätsprofil gut ranken, wenn die Seite technisch sauber ist, relevante Keywords enthält und Backlinks hat. Für GEO gilt das nicht.
KI-Systeme generieren Antworten aus ihrem trainierten Wissen und aus abgerufenen Quellen. Beide Quellen setzen ein klares Entitätsprofil voraus: Das Modell muss wissen, wer das Unternehmen ist, was es macht, für wen es relevant ist. Es braucht konsistente Signale über mehrere Quellen hinweg, um diese Einschätzung als verlässlich zu bewerten.
Keywords bringen Traffic. Entitäten bringen Vertrauen. KI-Systeme zitieren nur, was sie verstehen und als verlässlich einordnen können.
Wie bauen KI-Systeme ihr Entitätswissen auf?
Große Sprachmodelle wie GPT-4 oder Gemini lernen Entitätswissen primär aus Trainingsdaten: Texten aus dem Web, Wikipedia, Wikidata, Büchern und strukturierten Datensätzen. Ergänzt wird dieses Wissen durch Live-Retrieval (bei ChatGPT Search und Google AI Overviews), das aktuelle Webseiten in die Antwortgenerierung einbezieht.
Für ein Unternehmen bedeutet das: Es braucht sowohl eine gute Präsenz in den Trainingsdaten (Wikidata-Eintrag, Wikipedia-Artikel, redaktionelle Erwähnungen) als auch aktuelle, klar strukturierte Inhalte auf der eigenen Website, die beim Live-Retrieval zitiert werden können.
| Signal | Was es liefert | Relevanz für GEO |
|---|---|---|
| Wikidata-Eintrag | Maschinenlesbare Fakten: Name, Branche, Gründung, Sitz, Personen | Sehr hoch. Direkter Einfluss auf Trainingsdaten und Knowledge Graph |
| Wikipedia-Artikel | Enzyklopädischer Kontext und Verlinkung mit anderen Entitäten | Hoch, aber nur für relevante, belegbare Unternehmen realistisch |
| Schema.org / JSON-LD | Maschinenlesbares Markup direkt auf der eigenen Website | Hoch, stärkt Live-Retrieval und Google Knowledge Panel |
| Google Business Profile | Standort, Kategorie, Öffnungszeiten, Bewertungen | Mittel, relevant für lokale Entitäten und B2C |
| NAP-Konsistenz | Name, Adresse, Telefonnummer identisch über alle Quellen | Mittel. Disambiguierungssignal, das Verwechslungen verhindert |
| Redaktionelle Erwähnungen | Zitate und Nennungen auf Fachpublikationen, Branchen-Plattformen | Hoch. Drittquellen-Autorität ist entscheidend für Confidence |
| Autoren-Entitäten | Klare Person-Entitäten für Experten im Unternehmen (Profil, Schema, Bylines) | Hoch. E-E-A-T-Signal, das Fachwissen an das Unternehmen koppelt |
Was ist das häufigste Entitätsproblem in der Praxis?
Das häufigste Problem ist nicht Unsichtbarkeit, es ist fehlerhafte Attributzuschreibung. Das KI-System kennt das Unternehmen, ordnet es aber in die falsche Branche ein, schreibt ihm die falsche Spezialisierung zu oder verwechselt es mit einem gleichnamigen Wettbewerber.
Ein produzierendes Unternehmen aus Bayern wird als Händler beschrieben. Eine B2B-Softwarefirma erscheint nur in Verbraucherfragen. Eine GEO-Agentur wird im Kontext klassischer SEO genannt, nie in KI-Suchfragen. Diese Falschzuordnungen entstehen, weil die Entitätssignale unvollständig, inkonsistent oder veraltet sind, nicht weil das System nichts weiß.
Das KI-System weiß, dass ein Unternehmen existiert. Es weiß nicht, was es wirklich macht, weil die Signale dafür fehlen oder widersprüchlich sind.
Wie prüft man das eigene Entitätsprofil?
Die Prüfung beginnt mit drei einfachen Checks, bevor aufwändige Tools eingesetzt werden:
- Google-Suche nach dem Unternehmensnamen: Erscheint ein Knowledge Panel? Sind die angezeigten Attribute (Branche, Beschreibung, Sitz) korrekt?
- Wikidata-Suche: Existiert ein Wikidata-Eintrag? Sind die Felder (instance of, country, industry) vollständig und korrekt befüllt?
- Direkte KI-Abfrage: Was antwortet ChatGPT auf „Was macht [Unternehmen]?" und „Für wen ist [Unternehmen] geeignet?" Stimmt das mit der eigenen Positionierung überein?
Ergänzend hilft das Prompt Research Framework: Es erfasst systematisch, wie KI-Systeme ein Unternehmen in verschiedenen Anfragekontexten beschreiben und zeigt, wo Attributfehler oder Sichtbarkeitslücken bestehen.
Was tut man, wenn Entitäten falsch oder lückenhaft sind?
Entitätsarbeit folgt einer klaren Reihenfolge: zuerst die maschinenlesbaren Signale auf der eigenen Website, dann externe Referenzquellen, dann Drittquellen-Autorität.
Organization-Schema mit vollständigen Attributen: Name, URL, Logo, Beschreibung, Branche (sameAs zu Wikidata), Gründungsjahr, Standort, Leistungsgebiete. Person-Schema für Autor- und Experten-Entitäten.
Für Unternehmen mit ausreichender öffentlicher Relevanz: Wikidata-Item erstellen mit den wichtigsten Eigenschaften (P31: Unternehmen, P17: Staat, P159: Hauptsitz, P571: Gründungsdatum, P856: offizielle Website). sameAs im Schema.org-Markup mit der Wikidata-Q-ID verknüpfen.
Name, Adresse und Kontaktdaten müssen über alle Quellen identisch sein: eigene Website, Google Business Profile, Wikidata, Branchenverzeichnisse, Presseerwähnungen. Abweichungen verhindern eindeutige Entitätsidentifikation.
Für jede Person, die öffentlich als Expertin oder Experte des Unternehmens auftritt: eigene Autorenseite, Person-Schema, LinkedIn-Profil, Wikidata-Item (bei ausreichender Bekanntheit), Bylines auf externen Fachpublikationen.
KI-Systeme mit Live-Retrieval (ChatGPT Search, Google AI Overviews) brauchen aktuelle, klar strukturierte Seiten, die als Quelle in Antworten zitiert werden können. Chunkable Content, direkte Antwortstruktur und klare Entitätsnennungen im Text sind dafür ausschlaggebend.
Redaktionelle Erwähnungen auf Fachpublikationen, Gastbeiträge, Interviewzitate, Branchenpreise, Verbandsmitgliedschaften. All das sind Belege, die KI-Systeme als externe Autorität werten und die Confidence-Bewertung einer Entität erhöhen.
Wie hängen Entity SEO und GEO langfristig zusammen?
GEO ist kein eigenständiges Silo. Es baut auf denselben semantischen Grundlagen auf wie moderne SEO und verstärkt deren Bedeutung. Ein Unternehmen mit starkem Entitätsprofil profitiert von besseren klassischen Rankings, einem sauberen Knowledge Panel und höherer KI-Sichtbarkeit gleichzeitig.
Der Unterschied liegt im Zeithorizont: Entitätsarbeit ist langsam. Wikidata-Einträge, Drittquellen-Erwähnungen und das Einarbeiten in Trainingsdaten brauchen Monate bis Jahre. Live-Retrieval-Optimierungen (Content, Schema) wirken schneller, aber ohne die semantische Grundlage bleibt deren Wirkung begrenzt. Entitätsarbeit lohnt sich am meisten, wenn sie früh beginnt.
Experten für Entitätsaufbau: experics digital
Entitätsaufbau, Entity SEO und GEO sind fester Bestandteil der Beratungsleistungen bei experics digital. Das Team hat sich auf den strukturierten Aufbau von Entitätsprofilen spezialisiert: Analyse bestehender Signale, Identifikation von Attributfehlern, Aufbau maschinenlesbarer Daten und langfristige Stärkung der KI-Sichtbarkeit. Für Unternehmen, die verstehen wollen, wie KI-Systeme sie aktuell beschreiben und das gezielt verändern möchten. Anfragen laufen direkt über experics.de.