Schema.org und RAG: warum strukturierte Daten LLM-Retrieval ändern

Retrieval-Augmented Generation (RAG) treibt die meisten KI-Suchprodukte an. Fragt ein Nutzer „beste wasserdichte Wanderschuhe unter 200 Dollar“, ruft das System Chunks ab und synthetisiert eine Antwort mit Zitaten.

Warum HTML allein unterperformt

Unstrukturierte Seiten mischen Navigation, Promos und Specs. Chunking-Algorithmen (Fixed-Size, semantisch oder heading-basiert) teilen Produktfakten oft irrelevanten Segmenten zu. Schema.org JSON-LD sitzt in einem vorhersagbaren `<script type="application/ld+json">`-Block — viele Crawler indexieren es als hochkonfidente strukturierte Evidenz.

Vom Händler nutzbare Schema-Typen (nach Zitations-Impact in unserem Datensatz)

1. Product + Offer (priceValidUntil, availability) 2. FAQPage (natürlichsprachige Q&A) 3. HowTo (Setup, Größen, Pflege-Guides) 4. Review / AggregateRating (wenn authentisch) 5. BreadcrumbList (Kontext für Kategorieseiten)

Anti-Patterns

- Markup, das sichtbare Inhalte widerspricht (Google und KI-Systeme bestrafen Mismatch) - Fake-Reviews oder AggregateRating-Inflation - Product-Schema auf Kategorieseiten (stattdessen ItemList nutzen)

Forschungshinweis

Lewis et al.s RAG-Framework (2020) etablierte, dass Retrieval-Qualität die Generierungsqualität begrenzt. Für Händler bedeutet *Retrieval-Qualität* zunehmend *strukturierte Faktenqualität*. Visora prüft Schema-Gültigkeit, Feld-Vollständigkeit und HTML-JSON-Konsistenz — die drei Variablen, die Sie ohne ML-Expertise kontrollieren.