Knowledge Graph

Warum das zählt

Google hat den Knowledge Graph 2012 eingeführt, um Dinge zu verstehen statt Zeichenketten abzugleichen. Nach eigenen Angaben enthielt er im Mai 2020 mehr als 500 Milliarden Fakten zu rund fünf Milliarden Entitäten (Google, Knowledge Graph und Knowledge Panels). Eine aktuellere offizielle Zahl hat Google seitdem nicht veröffentlicht.

Für ein Unternehmen entscheidet die Präsenz im Graph über drei Dinge: ob ein Knowledge Panel neben den Suchergebnissen erscheint, ob KI-Systeme die Marke korrekt zuordnen und ob Produkte, Personen und Standorte als zusammengehörig erkannt werden. Diese Panels entstehen laut Google automatisch aus dem Graph. Buchen oder bestellen lässt sich ein Eintrag deshalb nicht.

Fehlt die Entität, bleiben diese Verbindungen ungenutzt, auch bei guten klassischen Platzierungen. Sichtbar wird das meist zuerst in KI-Antworten: Das Unternehmen wird mit einem gleichnamigen Betrieb verwechselt oder mit einer falschen Branche beschrieben.

Wie es funktioniert

Ein Knowledge Graph speichert Wissen als Netz aus Knoten und Kanten. Jeder Knoten ist eine Entität, also ein eindeutig bestimmtes Objekt. Jede Kante ist eine benannte Beziehung zwischen zwei Knoten. Der Aufbau läuft in fünf Schritten.

Daten sammeln. Google nennt als Quellen Wikipedia, hunderte weitere Webquellen sowie quelloffene und lizenzierte Datenbanken, etwa mit Daten zu Musik, Sport und Fernsehen. Die Erfassung läuft überwiegend automatisch und wird in einzelnen Bereichen durch geprüfte Inhalte ergänzt, zum Beispiel gemeinsam mit medizinischen Anbietern.

Objekte erkennen. Aus den Rohdaten werden eindeutige Objekte gebildet: Unternehmen, Personen, Orte, Produkte. Jedes bekommt eine feste Kennung. Die Knowledge Graph Search API gibt sie in der Form kg:/m/0dl567 aus. Google führt diese Schnittstelle inzwischen als Altbestand und verweist neue Nutzer auf das Nachfolgeprodukt Cloud Enterprise Knowledge Graph.

Eigenschaften zuordnen. Der Entität werden Attribute angehängt, etwa Gründungsdatum, Rechtsform oder Sitz. Widersprüchliche Angaben aus verschiedenen Quellen werden gewichtet, nicht einfach übernommen.

Beziehungen knüpfen. Kanten verbinden die Knoten miteinander. Eine Unternehmens-Entität trägt zum Beispiel eine Kante „Hauptsitz“ zu einer Orts-Entität, eine Kante „Gründer“ zu einer Person und eine Kante „Tochtergesellschaft“ zu einem weiteren Unternehmen.

Ausspielen. Bei einer Anfrage prüft die Suchmaschine, ob eine bekannte Entität betroffen ist, und liefert passende Fakten aus dem Graph, etwa als Knowledge Panel oder als Baustein für einen AI Overview.

Microsofts Entity-Graph ist als eigene Schnittstelle nicht mehr zugänglich. Die Bing Search APIs, zu denen die Entitätssuche gehörte, wurden am 11. August 2025 abgeschaltet; Microsoft verweist auf „Grounding with Bing Search“ innerhalb der Azure AI Agents (Microsoft Lifecycle). Sprachmodelle besitzen eigene, nicht öffentliche Wissensrepräsentationen. Bei aktuellen Anfragen holen sie sich Fakten jedoch über Grounding aus externen Quellen, zu denen auch Wissensgraphen zählen.

In der Praxis

Der typische Anlass sieht so aus: Die Rankings zu den Produktbegriffen stehen, aber zum Firmennamen erscheint kein Knowledge Panel, und Sprachmodelle verwechseln das Unternehmen mit einem gleichnamigen Betrieb in einem anderen Land. Die Prüfung dauert etwa eine halbe Stunde und läuft in vier Schritten ab.

Für Schritt 3 gehört auf die Startseite eine Auszeichnung im Format JSON-LD, also maschinenlesbare Angaben in einem Skriptblock. Die Eigenschaft sameAs verweist dabei auf die Profile derselben Organisation an anderer Stelle im Netz:

<script type="application/ld+json">
{
  "@context": "https://schema.org",
  "@type": "Organization",
  "name": "Musterfilter GmbH",
  "url": "https://musterfilter.de",
  "foundingDate": "1962",
  "sameAs": [
    "https://www.wikidata.org/wiki/Q000000000",
    "https://www.linkedin.com/company/musterfilter"
  ]
}
</script>

Wichtig dabei: Der Graph übernimmt keine Angabe, nur weil sie auf einer Website steht. Er gewichtet sie danach, wie oft und wie widerspruchsfrei sie an anderer Stelle bestätigt wird. Deshalb wirkt eine einheitliche Firmierung über alle Verzeichnisse, Fachmedien und Profile hinweg stärker als jede einzelne Maßnahme auf der eigenen Seite.

Die Reihenfolge lohnt sich einzuhalten: erst die Belege außerhalb der eigenen Website in Ordnung bringen, dann die Auszeichnung darauf ausrichten. Wie diese Auszeichnung technisch aufgebaut wird, steht im Ratgeber zu Schema-Markup. Ein Ergebnis zeigt sich nicht sofort. Rechnen Sie in Monaten, nicht in Wochen, und wiederholen Sie die vier Prüfschritte quartalsweise.

Häufige Fehler

Wikidata auslassen. Ohne Eintrag in der wichtigsten offenen Referenzquelle fehlt vielen Systemen der Ankerpunkt. Wikidata nimmt ein Datenobjekt allerdings nur auf, wenn es eines von drei Kriterien erfüllt: einen Verweis auf eine Seite in einem Wikimedia-Projekt, eine klar identifizierbare Entität mit ernsthaften, öffentlich zugänglichen Belegen oder einen strukturellen Bedarf. Objekte ohne diese Grundlage werden zur Löschung vorgeschlagen (Wikidata, Notability).

Uneinheitliche Firmierung. Verschiedene Schreibweisen in Impressum, Profilen und Verzeichnissen erzeugen konkurrierende Entitäten, die alle schwach bleiben.

Fehlende sameAs-Verweise. Ohne Verbindung zu externen Referenzquellen lässt sich die Website der Entität nicht sicher zuordnen.

Angaben ohne Beleg. Attribute, die sich nirgends bestätigen lassen, werden nicht oder nur schwach gewichtet.

Reiner Fokus auf Suchbegriffe. Wer nur an Zeichenketten arbeitet, ignoriert die Struktur, aus der die Systeme ihr Verständnis ziehen.

Abgrenzung

Ein Knowledge Graph wird oft mit der einzelnen Entität gleichgesetzt. Die Entität ist ein einzelnes Objekt im Netz, der Graph die Gesamtheit aller Objekte und ihrer Beziehungen.

Verwandt, aber nicht dasselbe sind strukturierte Daten nach Schema.org. Sie beschreiben eine Entität auf einer konkreten Seite maschinenlesbar und liefern damit Rohstoff für einen Graphen, bilden aber selbst keinen. Das Knowledge Panel wiederum ist nicht der Graph, sondern nur seine sichtbare Anzeige in den Suchergebnissen.

Für die Generative Engine Optimization ist ein Knowledge Graph die Faktengrundlage, auf die sich Systeme stützen, wenn sie eine Aussage über ein Unternehmen absichern wollen.