JSON-LD

JSON-LD steht für „JSON for Linked Data“ und ist seit 2014 ein offizieller W3C-Standard. Das Format kombiniert die syntaktische Einfachheit von JSON mit den semantischen Eigenschaften des Resource Description Framework (RDF) — und ist damit das ideale Werkzeug, um strukturierte Daten in HTML einzubetten, ohne den sichtbaren Markup zu verändern.

Für GEO ist JSON-LD das wichtigste technische Werkzeug überhaupt. Es ist die Form, in der Schema.org-Vokabular im HTML-Head ausgespielt wird, und der von Google offiziell empfohlene Standard für strukturierte Daten. Anthropic, Perplexity und alle anderen relevanten KI-Crawler verarbeiten JSON-LD direkt, ohne komplexes HTML-Parsing — die effizienteste Form maschinenlesbarer Strukturdaten heute.

Technisch wird JSON-LD in einem speziellen Script-Tag im HTML-Head eingebettet: <script type="application/ld+json">. Innerhalb des Tags steht reines JSON, das einer Schema.org-Struktur folgt. Drei Properties sind dabei zentral: @context deklariert das verwendete Vokabular (typisch https://schema.org); @type spezifiziert den Schema.org-Type; @id liefert den stabilen URI-Identifier der Entity. Alles weitere sind Schema.org-Properties.

Ein zentraler Vorteil von JSON-LD gegenüber Microdata oder RDFa ist die Trennung von Inhalt und Auszeichnung. Bei Microdata ist die Auszeichnung in HTML-Attributen am sichtbaren Markup — Änderungen am Layout brechen oft die Auszeichnung. JSON-LD lebt in einem separaten Script-Block, der unabhängig vom sichtbaren HTML gepflegt wird. Das macht das Format für Multi-Page-Setups, CMS-Integrationen und Layout-Iterationen deutlich praktikabler.

Die @graph-Struktur ist der nächste Reife-Schritt. Statt einzelner isolierter JSON-LD-Blöcke pro Seite bündelt man alle Entitäten in einem zentralen @graph-Array. Entitäten werden via @id untereinander verknüpft, womit sie sich gegenseitig referenzieren können. Eine Article-Entity verweist auf ihren author via @id auf eine Person-Entity, die wiederum auf ihre Organization verweist. Das Resultat: ein lokaler Wissensgraph, den ein KI-Modell direkt importieren kann.

Eine professionelle Implementierung pflegt JSON-LD an genau einem Ort — typisch ein zentrales Modul wie core/jsonld.py bei geoquality.ai — und liefert das @graph aus diesem Modul auf jeder Seite gerendert aus. So bleibt die Struktur konsistent über alle Pages hinweg und Änderungen propagieren sich automatisch. Das vermeidet das klassische Drift-Problem, bei dem unterschiedliche Pages leicht unterschiedliche Versionen derselben Entity ausliefern.

Ein vollständiges JSON-LD mit @graph für eine Schweizer KMU-Site, das alle wichtigen Entitäten in einem Block bündelt:

<script type="application/ld+json">
{
  "@context": "https://schema.org",
  "@graph": [
    {
      "@type": "Organization",
      "@id": "https://www.beispiel.ch/#organization",
      "name": "Beispiel GmbH",
      "founder": { "@id": "https://www.beispiel.ch/#anna-mueller" }
    },
    {
      "@type": "Person",
      "@id": "https://www.beispiel.ch/#anna-mueller",
      "name": "Anna Müller",
      "worksFor": { "@id": "https://www.beispiel.ch/#organization" }
    },
    {
      "@type": "WebSite",
      "@id": "https://www.beispiel.ch/#website",
      "publisher": { "@id": "https://www.beispiel.ch/#organization" }
    }
  ]
}
</script>

Drei Entitäten, untereinander via @id verknüpft. Ein KI-Modell importiert diesen Block, sieht „Anna Müller arbeitet für die Beispiel GmbH, die wiederum die Site beispiel.ch publisht“ — alles deterministisch, ohne Volltext-Inferenz. Genau diese Verknüpfung über @id ist der Unterschied zwischen einem losen Schema-Markup und einem echten lokalen Wissensgraph.