Welche Rolle spielen Knowledge Panels und strukturierte Daten in der KI-Suche?

Knowledge Panels sind die sichtbare Oberfläche des Knowledge Graph von Google – jener Entitätsdaten, die Gemini und die Übersicht mit KI von Google bei der Generierung von Antworten abfragen. Mehrere große KI-Engines teilen sich diese zugrunde liegende Quelle, sodass sich präzise Entitätssignale an der Quelle gleichzeitig in korrekten KI-Ausgaben über mehrere Engines hinweg niederschlagen.

Wie der Datenfluss funktioniert

Knowledge Graph

Die interne Entitätsdatenbank von Google (Personen, Organisationen, Orte, Dinge). Sie ist die kanonische Quelle, die Knowledge Panels in den Standard-Suchergebnissen speist und Gemini sowie der Übersicht mit KI den Entitätskontext liefert. Wikipedia und Wikidata sind primäre Datenquellen für den Knowledge Graph.

Wikidata

Eine freie, maschinenlesbare und strukturierte Wissensdatenbank, die von der Wikimedia Foundation betrieben wird. Sie weist jeder Entität einen eindeutigen, dauerhaften Identifikator (QID) zu und liefert Eigenschaften wie Gründungsdatum, Hauptsitz, Führungsebene und Branche, die sowohl Wikipedia als auch den Knowledge Graph speisen.

Wikipedia

Eine primäre narrative und strukturierte Quelle für den Knowledge Graph. Google hat bestätigt, dass sein Knowledge Graph auf Wikipedia zurückgreift. Wikipedia ist zudem eine der am häufigsten zitierten Domains bei den großen KI-Engines (ChatGPT, Gemini, Übersicht mit KI, Perplexity) und beeinflusst KI-Antworten somit auf zwei Wegen: über den Knowledge Graph sowie durch direktes Training und Retrieval.

Schema-Markup / strukturierte Daten

Strukturierte Daten auf der Website (unter Verwendung des Schema.org-Vokabulars) helfen Such- und KI-Engines zu verstehen, welche Aussagen eine Seite trifft, und diese Inhalte der richtigen Entität zuzuordnen. Es handelt sich um ein maßgebliches First-Party-Signal, das Drittquellen wie Wikidata und Wikipedia ergänzt.

Knowledge Panel

Die Informationsbox, die in den Google-Ergebnissen angezeigt wird, wenn jemand nach einer bekannten Entität sucht. Sie wird automatisch aus dem Knowledge Graph generiert. Ihre sichtbaren Felder wie Beschreibung, Gründungsdatum, Hauptsitz und Führungsebene spiegeln wider, was der Knowledge Graph für diese Entität gespeichert hat.

Warum dies für die KI-Reputation wichtig ist

• Sowohl Gemini als auch die Übersicht mit KI von Google greifen auf den Knowledge Graph zurück, um Entitätsfakten aufzulösen und Kontext für synthetisierte Antworten zu liefern.
• Wenn der Knowledge Graph einen Fehler enthält, wie etwa ein falsches Gründungsdatum oder eine ehemalige Führungskraft, die noch als aktueller CEO geführt wird, wiederholen Gemini und die Übersicht mit KI diesen Fehler häufig.
• Die Korrektur der Entitätsebene (Wikidata-Eigenschaften, Wikipedia-Inhalte, Schema-Markup auf der offiziellen Website) führt in der Regel dazu, dass sich Korrekturen über mehrere KI-Engines gleichzeitig verbreiten, da diese Engines dieselben vorgelagerten Quellen nutzen.
• Die Ausgaben von KI-Modellen lassen sich nicht direkt bearbeiten. Eine Einflussnahme funktioniert nur durch die Verbesserung der Quellen, auf die sich die Modelle stützen.