Knowledge Graph Audit: Sehen Google und KI Ihre Marke als eigenes Ding?

1. Einführung: Was ein Knowledge Graph Audit leistet

Neun von zwanzig. So viele der bekannten deutschsprachigen Tech-Marken, die wir im Juli geprüft haben, teilen einer Maschine überhaupt mit, was für ein Ding sie sind. Der Rest bleibt eine Zeichenkette ohne Bedeutung. Genau diese Lücke deckt ein Knowledge Graph Audit auf. Es zeigt schwarz auf weiß, ob Google und KI-Systeme Ihre Marke als eigenständige Entität begreifen oder nur als Text auf einer Seite.

Ein Knowledge Graph Audit ist die systematische Prüfung, ob Google und KI-Systeme eine Marke als eigenständige Entität im Knowledge Graph führen. Der Audit vergleicht die maschinenlesbaren Signale der eigenen Website, offene Datenbanken und Erwähnungen im Web mit dem, was Google tatsächlich über die Marke gespeichert hat. So werden Lücken sichtbar, bevor sie Sichtbarkeit kosten.

Wer heute in ChatGPT, Perplexity oder der Google Suche empfohlen werden will, muss als Ding verstanden werden, nicht nur als Text gefunden. Die Grundlage dafür ist der Knowledge Graph, eine Datenbank aus Fakten über Entitäten und ihren Beziehungen. Große Knowledge Graphs speisen heute sowohl Google Search als auch die großen Sprachmodelle, die LLMs hinter ChatGPT und Perplexity. Wie dieser Knowledge Graph aufgebaut ist, haben wir an anderer Stelle erklärt. Hier geht es um den nächsten Schritt: den eigenen Fußabdruck darin zu prüfen.

Tippen Sie Ihren Markennamen einmal in ChatGPT ein und fragen Sie, wer dahintersteht. Über Ihre Sichtbarkeit wird darin mehr verraten als in jedem Ranking.

Was das für Sie heißt

Für Ihren Betrieb heißt das: Am besten sieht man nach, ob Google und die KI-Assistenten das eigene Unternehmen als eigenständiges Haus führen oder nur als Wortfolge auf einer Seite. Das ist keine Geschmacksfrage, sondern prüfbar, und Sie benötigen dafür kein Budget. Wer den Status kennt, weiß auch, welche der vielen möglichen Maßnahmen bei ihm überhaupt etwas ändern würde.

2. Warum ein Knowledge Graph Audit über KI Sichtbarkeit entscheidet

Ein Knowledge Graph Audit entscheidet über KI-Sichtbarkeit, weil KI-Systeme Marken nicht erfinden, sondern aus erkannten Entitäten und zitierten Quellen, den Sources, zusammensetzen. Wird Ihre Marke nicht als Entität geführt, fehlt sie in der Antwort. Laut Yext stammen 86 Prozent der Zitate in KI-Antworten aus markeneigenen Quellen, also aus Signalen, die Sie selbst kontrollieren.

Diese Zahl ist die gute Nachricht.

Die meisten Bausteine Ihrer KI-Sichtbarkeit liegen in Ihrer Hand, nicht in einer Blackbox. Eine Untersuchung von 21.143 Zitaten aus ChatGPT, Google AI Overviews und Perplexity zeigt zudem, dass jede Antwort aus ausgewählten Web-Quellen zusammengebaut wird (Yao, arXiv). Welche Quelle es in die Antwort schafft, hängt davon ab, wie gut die dahinterstehende Entität zu den Fragen der Nutzer, den questions, passt. Werden die 86 Prozent belegter, markeneigener Quellen sauber gepflegt, kann dem System direkt zugearbeitet werden.

Der Impact ist konkret: Eine Marke ohne Entität ist wie ein Gast auf einer Konferenz, dessen Namensschild leer bleibt. Alle reden, niemand kann ihn vorstellen. Gerade für KMU und den Mittelstand ist das riskant, weil der Bekanntheitsvorsprung großer Wettbewerber in den KI-Antworten fortgeschrieben werden kann.

Der Knowledge Graph ist dabei kein exakt umrissener Standard. Die englische Wikipedia hält das nüchtern fest.

„There is no single commonly accepted definition of a knowledge graph.“
(„Es gibt keine einzelne, allgemein akzeptierte Definition eines Knowledge Graph.“)

Für den Audit heißt das: Sie messen nicht gegen eine feste Norm, sondern gegen die Signale, die Google und die großen Modelle nachweislich lesen. Ein Knowledge Graph beschreibt formal die Semantik, indem er Entitäten und ihre Beziehungen, die relationships, abbildet (Wikipedia). Diese Beziehungen sind der Stellhebel. Google’s Knowledge Graph verknüpft sie zu einem Netz, das Teil der offenen Linked Open Data ist, und große Modelle nutzen dieses Netz zum Schlussfolgern, im Fachjargon reasoning über verknüpfte Daten.

3. Voraussetzungen: Was Sie für den Audit benötigen

Für einen belastbaren Knowledge Graph Audit benötigen Sie drei Dinge: Zugriff auf den Quelltext Ihrer Website und ein Werkzeug, das Googles Sicht auf Ihre Entität offenlegt. Dazu kommt eine Liste aller Profile, die Ihre Marke im Web führt. Das zentrale Werkzeug ist kostenlos und kommt direkt von Google.

Die Google Knowledge Graph Search API fragt genau die Datenbank ab, aus der Panels und KI-Systeme schöpfen. Ihre Antworten folgen dem Format JSON-LD (eine unsichtbare Notiz im Quelltext, in der eine Website ihre Fakten für Maschinen hinterlegt). Google beschreibt sie unmissverständlich.

„The Knowledge Graph Search API lets you find entities in the Google Knowledge Graph. The API uses standard schema.org types and is compliant with the JSON-LD specification.“
(„Die Knowledge Graph Search API lässt Sie Entitäten im Google Knowledge Graph finden. Die API nutzt Standard-Typen von schema.org und entspricht der JSON-LD-Spezifikation.“)

Jedes Ergebnis liefert eine feste Kennung (das @id-Feld, etwa kg:/m/0dl567) und einen resultScore. Der resultScore verhält sich wie ein Bonitätswert: je höher, desto klarer erkennt Google die Entität. Eine einzelne Query kostet nichts und liefert sofort ein Ergebnis. Taucht Ihre Marke gar nicht auf oder nur mit niedrigem Wert, ist das Ihr wichtigster Befund. Die API ist bewusst lesend und laut Google „not suitable for use as a production-critical service“, für einen Audit reicht sie aber vollkommen (Google).

Dazu kommt ein Schema-Prüfer für die strukturierten Daten Ihrer Website, im Fachjargon Structured Data, und die Referenz von schema.org für den Organization-Typ. Dieser maschinenlesbare Layer ist genau der Teil, den ein menschlicher Besucher nie zu Gesicht bekommt.

Mehr Technik ist nicht nötig.

4. Schritt für Schritt: So auditieren Sie Ihren Knowledge Graph

Zwei Approaches führen zum Ziel: der schnelle Blick über das Tool-Signal oder der gründliche Approach über alle fünf Schritte. Ein guter Audit folgt fünf Schritten, von der Diagnose bis zur Priorisierung. Jeder Schritt liefert einen konkreten Befund, den Sie notieren.

1. Entität abfragen: Suchen Sie Ihre Marke in der Google Knowledge Graph Search API und in der normalen Google Suche. Notieren Sie, ob ein Treffer erscheint, welchen resultScore er hat und ob ein Knowledge Panel (die Infobox mit Firmenangaben neben den Google-Ergebnissen) auftaucht.
2. Struktur prüfen: Kontrollieren Sie das JSON-LD auf Ihrer Startseite. Steht dort ein Organization- oder Person-Typ? Verweist ein sameAs auf Ihre Profile? sameAs bezeichnet die Angabe, die Ihre Profile bei LinkedIn oder Wikidata als dieselbe Marke ausweist. Wikidata ist dabei das offene Nachschlagewerk hinter Wikipedia, das Suchsysteme maschinell auslesen. Wie das sauber aussieht, zeigt unser Leitfaden zu Schema Markup richtig einsetzen.
3. Konsistenz abgleichen: Prüfen Sie, ob Name, Adresse und Kernangaben über alle Quellen im Web identisch sind. Widersprüche verwässern die Entität, weil Google im Zweifel keinem Signal traut.
4. Erwähnungen kartieren: Sammeln Sie, welche externen Seiten Ihre Marke bestätigen. Wiederkehrende Erwähnungen in verlässlichen Medien verankern die Entität von außen, unabhängig von Ihrer eigenen Website.
5. Panel abgleichen: Erscheint ein Knowledge Panel, vergleichen Sie jede Angabe mit der Realität. Das Panel ist nur die sichtbare Spitze; wie ein Knowledge Panel entsteht, hängt an denselben Signalen.

In unseren GEO-Audits ist Schritt zwei fast immer der wunde Punkt. Die Website sieht gepflegt aus, doch die maschinenlesbare Ebene fehlt oder widerspricht sich. In den meisten Reviews wird dasselbe Muster zutage gefördert.

5. Häufige Fehler beim Knowledge Graph Audit

Die häufigsten Fehler eines Knowledge Graph Audits liegen nicht in der Technik, sondern in der Bewertung. Oft wird auf das Falsche geschaut und das entscheidende Signal übersehen.

Drei Muster sehen wir besonders oft.

Der erste Fehler ist, das Knowledge Panel als Ziel zu behandeln. Das Panel ist der Spiegel, nicht der Muskel. Der zweite ist Inkonsistenz: Widersprüchliche Angaben wirken wie zwei Zeugen, die sich widersprechen. Der dritte ist der fehlende Anker in offene Datenbanken. Ohne sameAs und ohne Wikidata-Verweis findet Google keine Brücke zwischen Ihren Profilen. Dieses fehlende Signal ist der eigentliche missing link zwischen Ihrer Marke und dem Graph.

Wie verbreitet der letzte Fehler ist, haben wir selbst geprüft. Wir haben im Juli 20 bekannte deutschsprachige B2B- und Tech-Marken untersucht, ausgewählt über neutrale Branchenlisten. Zwar lieferten 14 von 20 überhaupt JSON-LD, doch nur 9 deklarierten eine Organization-Entität, nur 6 verknüpften Profile per sameAs, und nur eine verwies auf einen Wikidata-Eintrag. Die meisten senden das entscheidende Verknüpfungssignal also gar nicht. Solche Befunde können durch einen Audit in klare Insights übersetzt werden, wodurch der Wert, der Business-Value sauberer Entitätssignale, sichtbar wird. Ein als Entität erkannt werden beginnt genau hier.

6. Fazit: Erst messen, dann die Lücken schließen

Ein Knowledge Graph Audit verändert Ihre Sichtbarkeit nicht. Es macht nur sichtbar, was längst über Sie gespeichert ist. Ein Blutbild heilt keine Krankheit, es zeigt Werte, an denen Sie arbeiten können.

Genau darin liegt der Wert.

Wer die eigene Entität kennt, hört auf zu raten, welches Signal fehlt.

Am besten prüft man die Werte und schließt die Lücken in dieser Reihenfolge: Struktur, Konsistenz, Erwähnungen. Dann wird aus dem leeren Namensschild ein Eintrag, den Google und die KI ohne Zögern vorlesen, sobald jemand nach Ihrer Branche fragt.

7. Anhang: Checkliste für Ihren Knowledge Graph Audit

Diese Punkte machen aus der Theorie eine Aufgabenliste. Arbeiten Sie sie von oben nach unten ab.

• Entität: Marke in der Google Knowledge Graph Search API gefunden, resultScore notiert.
• Struktur: JSON-LD mit Organization- oder Person-Typ auf der Startseite vorhanden.
• sameAs: Alle wichtigen Profile per sameAs im Schema verknüpft.
• Konsistenz: Name und Kernangaben über alle Quellen im Web identisch.
• Erwähnungen: Externe Belege in verlässlichen Quellen kartiert.
• Panel: Vorhandenes Knowledge Panel geprüft und Angaben korrigiert.

Häufige Fragen zum Knowledge Graph Audit

Dieser Beitrag gibt den Stand zum Zeitpunkt der Veröffentlichung wieder. Google, sein Knowledge Graph und KI-Systeme entwickeln sich schnell; alle genannten Zahlen sind den verlinkten Quellen sowie einer eigenen Stichprobe entnommen und können sich ändern.