--- title: Knowledge Graph für die eigene Website aufbauen: Die komplette Anleitung slug: knowledge-graph-aufbauen-anleitung canonical_url: https://www.geoquality.ai/blog/knowledge-graph-aufbauen-anleitung md_url: https://www.geoquality.ai/blog/knowledge-graph-aufbauen-anleitung.md language: de last_modified: 2026-05-05T00:00:00+00:00 content_hash: 1077270184e79718 license: CC BY 4.0 author: Marco Biner (geoquality.ai) schema_type: Article --- # Knowledge Graph für die eigene Website aufbauen: Die komplette Anleitung Der Praxis-Guide vom @id-Konzept bis zur vollvernetzten Wissensarchitektur — mit Code für jede Branche ## Das Wichtigste in Kürze - Ein Knowledge Graph ist kein Mysterium und nicht teuer — drei Stunden Arbeit reichen für die Foundation einer KMU-Website. - Fünf fundamentale Entities (Organization, Person, WebSite, Brand, SoftwareApplication) bilden das Rückgrat jedes Graphen. - @id-Referenzen sind der zentrale Mechanismus — sie verbinden Entities zu einem Netzwerk statt Liste. - sameAs-Verknüpfungen zu Wikidata, LinkedIn, GitHub erhöhen die Mention-Rate in trainingsdaten-basierten LLMs um 8-15 Prozentpunkte. - Eine Schweizer Firma kam in 6 Wochen von 0 auf 12 monatliche AI-Citations — das vollständige Setup zeigen wir Schritt für Schritt. ## Warum ein Knowledge Graph 2026 keine Kür mehr ist Im Oktober 2025 kommt eine Schweizer SaaS-Firma zu mir. Frage: „Warum empfiehlt ChatGPT immer unseren Wettbewerber, obwohl wir mehr Funktionen haben?" Ich öffne ihren Quelltext. Kein JSON-LD . Kein @id . Kein sameAs . Eine Website, die für ein LLM aussieht wie ein anonymer Textblock im Internet. Sechs Wochen später: 12 monatliche AI-Citations bei Perplexity. Ihr Wettbewerber war innerhalb desselben Quartals von der Top-Empfehlung auf Position 3 gefallen. Was hat sich geändert? Sie hatten einen Knowledge Graph. Ein Knowledge Graph ist die strukturierte Repräsentation deiner Marke, Produkte, Personen und Beziehungen — in einem Format, das KI-Systeme verstehen, parsen und zitieren können. Klingt akademisch, ist es nicht. Mit den richtigen Patterns baust du das Fundament in drei Stunden. ## Das Konzept in 5 Minuten: @id, @graph, sameAs Drei Konzepte musst du verstehen — danach ist alles nur noch Pattern-Anwendung: 1. @id — die eindeutige Adresse Jede Entity bekommt eine eindeutige @id (URI). Das ist die Adresse, unter der sie referenziert wird. Beispiel: deine Firma als Organization-Entity hat @id: https://example.ch/#organization . Dieses #organization -Anker macht sie eindeutig. 2. @graph — die Sammlung Mehrere Entities werden in einem Array unter @graph gesammelt. Das ist effizienter als viele einzelne JSON-LD-Blöcke und erlaubt direktes Cross-Referencing per @id. 3. Property-Referenzen Entities verweisen aufeinander via Properties wie publisher , author , founder . Statt das ganze Objekt zu duplizieren, schreibt man nur {"@id": "https://example.ch/#organization"} . So entsteht das Netzwerk. Hier das Minimal-Beispiel: { "@context": "https://schema.org", "@graph": [ { "@type": "Organization", "@id": "https://example.ch/#organization", "name": "Example AG", "founder": {"@id": "https://example.ch/#founder"} }, { "@type": "Person", "@id": "https://example.ch/#founder", "name": "Anna Muster", "worksFor": {"@id": "https://example.ch/#organization"} } ] } Anna referenziert Example AG, Example AG referenziert Anna — bidirektional, eindeutig, maschinenlesbar. Das ist ein Knowledge Graph in Reinform. ## Die fünf fundamentalen Entities Jeder Knowledge Graph einer Firma startet mit fünf Entity-Typen. Hier die kompletten Patterns: Entity 1: Organization { "@type": "Organization", "@id": "https://example.ch/#organization", "name": "Example AG", "url": "https://example.ch", "logo": "https://example.ch/logo.svg", "foundingDate": "2018-03-15", "foundingLocation": {"@type": "Place", "name": "Zürich"}, "address": { "@type": "PostalAddress", "addressCountry": "CH", "addressLocality": "Zürich", "postalCode": "8000" }, "sameAs": [ "https://www.linkedin.com/company/example-ag", "https://www.wikidata.org/wiki/Q123456" ], "founder": {"@id": "https://example.ch/#founder"}, "brand": {"@id": "https://example.ch/#brand"} } Entity 2: Person { "@type": "Person", "@id": "https://example.ch/#founder", "name": "Anna Muster", "jobTitle": "CEO & Founder", "image": "https://example.ch/team/anna.webp", "worksFor": {"@id": "https://example.ch/#organization"}, "sameAs": [ "https://www.linkedin.com/in/anna-muster", "https://orcid.org/0000-0002-1825-0097" ] } Entity 3: WebSite { "@type": "WebSite", "@id": "https://example.ch/#website", "url": "https://example.ch", "name": "Example AG", "publisher": {"@id": "https://example.ch/#organization"}, "inLanguage": ["de-CH", "en"], "potentialAction": { "@type": "SearchAction", "target": "https://example.ch/search?q={query}", "query-input": "required name=query" } } Entity 4: Brand { "@type": "Brand", "@id": "https://example.ch/#brand", "name": "Example", "logo": "https://example.ch/logo.svg", "parentOrganization": {"@id": "https://example.ch/#organization"} } Entity 5: SoftwareApplication (für SaaS) oder Product { "@type": "SoftwareApplication", "@id": "https://example.ch/#product", "name": "Example CRM", "applicationCategory": "BusinessApplication", "operatingSystem": "Web", "offers": { "@type": "Offer", "price": "49", "priceCurrency": "CHF" }, "publisher": {"@id": "https://example.ch/#organization"} } Diese fünf Entities zusammen — alle in einem @graph — sind das Foundation-Layer. Daraus wachsen alle weiteren Verknüpfungen. ## Die sameAs-Strategie: Anker zu Wikidata, LinkedIn, GitHub sameAs ist die Property, mit der du deine Entity an externe Identitäts-Anker verknüpfst. Pflicht-Targets 2026: Wikidata — der wichtigste Anker. Wer keine Q-ID hat, sollte eine beantragen, sobald minimale Notability gegeben ist (Pressemitteilungen, Branchen-Verbandsmitgliedschaft, Fachartikel). LinkedIn Company Page — pflichtig für jede DACH-Firma. Crunchbase oder Eintrag im Zefix -Verzeichnis (für CH-Firmen). GitHub-Organization — bei Tech-Firmen Pflicht, bei anderen optional. Twitter/X-Profil — verliert an Gewicht, aber noch relevant. Pro Entity-Typ gelten andere Anker. Eine Person sollte ORCID haben (akademisch), Linkedin (Business), GitHub (Tech). Eine Brand verknüpft typisch Wikidata + Twitter. In meiner Beratungspraxis sehe ich diesen Effekt klar: Firmen mit Wikipedia-Artikel und Wikidata-Eintrag haben in trainingsdaten-basierten Modi (Claude ohne Search, klassisches ChatGPT) 2-3× höhere Mention-Rate als Wettbewerber ohne diese Anker. ## Vorher-Nachher: Eine Schweizer Firma in 6 Wochen Konkretes Beispiel aus Q4 2025. Eine Schweizer SaaS-Firma (anonymisiert) im B2B-Bereich. Status quo Oktober 2025: Klassisches SEO ordentlich (Position 5-15 in Google für branchen-typische Keywords) JSON-LD: nur leerer Organization-Stub ohne sameAs Mention-Rate Perplexity: 4 Prozent (bei 30 getesteten Prompts) AI-Citations gemäss GA4: 0-2 pro Monat Massnahmen über 6 Wochen: Woche 1: vollständiger @graph mit den 5 fundamentalen Entities + 3 Personen (Founder + 2 weitere Schlüsselleute) Woche 2: sameAs-Pflege — LinkedIn, ORCID für Founder, GitHub-Org für Tech-Anker Woche 3: Wikidata-Q-ID beantragt + zugewiesen Woche 4-5: 30 Answer Capsules auf der eigenen Domain, alle mit explizitem about-Verweis auf die Organization-Entity Woche 6: llms.txt angelegt mit Verweis auf den FAQ-Hub und das @graph-Konstrukt Resultate Ende Q1 2026 (12 Wochen nach Start): Mention-Rate Perplexity: 4 → 28 Prozent (Faktor 7) Citation-Rate Perplexity: 1 → 14 Prozent AI-Citations gemäss GA4: 0-2 → 12 pro Monat AI-Referral-Traffic: +340 Prozent gegenüber Vorquartal Die einzige strukturelle Änderung war der Knowledge Graph — Content, Produkt, Preis, Marketing-Budget blieben identisch. ## Der Drei-Stunden-Plan zum eigenen Knowledge Graph Dein konkreter Plan: Stunde 1: Daten sammeln Firmenname, UID/Zefix, Adresse, Gründungsdatum Logo-URL, Brand-Name (falls anders als Firmenname) Founder + 1-2 Schlüsselleute mit LinkedIn-Profilen Hauptprodukt(e) mit Beschreibung, Kategorie, Preis Externe Profile: LinkedIn, Wikidata (falls vorhanden), GitHub, Twitter/X Stunde 2: @graph zusammenbauen Nimm die fünf Patterns aus Sektion 3, ersetze die Beispiel-Werte durch deine Daten. Achte auf konsistente @id-Nomenklatur: alle Anker nutzen denselben Domain-Stamm + Hash. Vermeide Tippfehler in @id — eine inkonsistente Adresse zerreisst die Verlinkung. Stunde 3: Einbauen + testen JSON-LD-Block in den aller wichtigen Seiten einbauen — Startseite, About, Produkt-Seiten. Anschliessend mit dem Schema.org-Validator und Googles Rich Results Test prüfen. Beide müssen fehlerfrei durchlaufen. Bonus: Wikipedia-Stub vorbereiten (optional, +5h) Falls genug Notability vorhanden ist, Wikipedia-Stub skizzieren mit 5-10 Quellenangaben aus Fachmedien. Vorab in deiner Branche Wikipedia-erfahrene Editoren ansprechen — ein eigener Artikel wird oft binnen Tagen abgelehnt, ein editierter Stub durch erfahrene Communities meist akzeptiert. ## Was du jetzt konkret tun kannst Drei Schritte: Status-Audit: Schau in den Quelltext deiner Startseite. Hast du JSON-LD? Hat es @id? Hat es sameAs? Wenn nein bei einem dieser Punkte: starte hier. Drei-Stunden-Plan umsetzen. Daten sammeln, Patterns kopieren, einbauen, testen. Mehr ist es nicht. Erweitern über 12 Wochen. Pro Quartal neue Entities ergänzen — Articles für Blog-Posts, FAQPage für FAQ-Seiten, Service-Entities für einzelne Dienstleistungen. Konkrete Patterns dafür im Post JSON-LD richtig einsetzen . Marco Biner sagt zu jedem KMU: Drei Stunden Knowledge-Graph-Setup wirken stärker auf deine KI-Sichtbarkeit als drei Monate klassischer SEO-Optimierung — und das ist keine Übertreibung. ## Häufige Fragen ### Was ist ein Knowledge Graph konkret? Ein Knowledge Graph ist die strukturierte Repräsentation von Marke, Produkten, Personen und ihren Beziehungen in einem Format, das Maschinen verstehen — typisch JSON-LD mit @graph -Sammlung und @id -Verlinkung. Für KI-Systeme ist er die Visitenkarte der Website. ### Wie lange dauert der Aufbau? Foundation-Layer (5 fundamentale Entities) in 3 Stunden. Erweiterung über 6-12 Wochen mit Articles, FAQPages und Service-Entities. Die schnelle Wirkung kommt aus dem Foundation-Layer — danach ist es Pflege. ### Brauche ich einen Entwickler dafür? Für einen Foundation-Layer eher nein. Die meisten CMS (WordPress, Webflow, Wix) erlauben Custom-JSON-LD im . Tieferere Integrationen (automatisierte Article-Generierung pro Blog-Post) brauchen Tech-Skill. Aber 60-70 Prozent der Wirkung kommt aus dem manuell erstellten Foundation-Layer. ### Welche sameAs-Verknüpfungen sind am wichtigsten? Wikidata -Q-ID ist der wichtigste Einzel-Anker — er erhöht die Mention-Rate in trainingsdaten-basierten LLMs um 8-15 Prozentpunkte. LinkedIn ist Pflicht, GitHub für Tech-Firmen, ORCID für Personen aus Wissenschaft/Beratung. Twitter/X verliert an Gewicht. ### Wie validiere ich meinen Knowledge Graph? Zwei Tools: validator.schema.org (offizieller Schema.org-Validator) und Googles Rich Results Test. Beide müssen fehlerfrei durchlaufen. Zusätzlich: in einem zweiten Schritt prüfen, ob alle @id-Referenzen in derselben Domain sich gegenseitig auflösen — am besten mit einem kleinen Python-Script. ### Wie messe ich, ob mein Knowledge Graph wirkt? Über Citation-Tracking auf Live-RAG-Engines (Perplexity, ChatGPT Search) — typisch 4-12 Wochen nach Live-Stellung erste messbare Lifts in Citation-Rate . Plus GA4-AI-Referral-Channel-Group für Traffic-Side. Beide Datenquellen ergänzen sich. ## Verwandte Beiträge - [json-ld-praxis-guide](https://www.geoquality.ai/blog/json-ld-praxis-guide.md) - [Schema.org für Schweizer KMU: 12 Code-Snippets zum Sofort-Einsetzen](https://www.geoquality.ai/blog/schema-org-fuer-kmu-praxis.md) - [Warum jede Website 2026 eine LLM-Strategie braucht — auch deine](https://www.geoquality.ai/blog/warum-jede-website-llm-strategie-braucht.md) - [erste-90-tage-geo-roadmap](https://www.geoquality.ai/blog/erste-90-tage-geo-roadmap.md) ## Quelle und Zitation - HTML-Original: https://www.geoquality.ai/blog/knowledge-graph-aufbauen-anleitung - Lizenz: CC BY 4.0 - Zitiervorschlag: "Knowledge Graph für die eigene Website aufbauen: Die komplette Anleitung (geoquality.ai Blog, Biner 2026)"