Schema.org für Studiengangsseiten: Das Markup, das KI-Systeme zum Zitieren bringt

Warum Schema.org-Markup entscheidet, ob KI-Systeme Ihre Studiengänge zitieren

Wenn jemand ChatGPT fragt „beste Hochschule für Data Science in Deutschland" oder Perplexity „welche Fachhochschulen haben AACSB-Akkreditierung" — synthetisiert die KI aus strukturierten Daten. Sie liest keine Broschüren, kein Bildungsmarketing, keine Imagefilme. Sie liest Maschinencode. Hochschulen, die diesen Code nicht liefern, existieren in der Antwort schlicht nicht.

Hochschulen mit strukturiertem Schema.org-Markup erzielen durchschnittlich +12 Prozentpunkte mehr KI-Sichtbarkeit (Quelle: Skolbot GEO-Monitoring, 500 Anfragen × 6 Länder × 3 KI-Systeme, Feb. 2026). In Deutschland erwähnen nur 14 % der ChatGPT-Antworten überhaupt eine Hochschule aus dem Panel — deutlich unter dem europäischen Durchschnitt von 19 %. Der Unterschied zwischen den sichtbaren und den unsichtbaren Institutionen liegt nicht primär in der Reputation oder dem Akkreditierungsstatus, sondern in der technischen Aufbereitung der Studiengangsseiten.

Schema.org-Markup auf Studiengangsseiten zu implementieren ist dabei die Maßnahme mit dem besten Aufwand-Ertrag-Verhältnis im gesamten GEO-Bereich: einmalige technische Umsetzung, dauerhafte Wirkung auf alle drei großen KI-Systeme. Den strategischen Rahmen dazu bietet der GEO-Leitfaden für Hochschulen.

EducationalOccupationalProgram vs Course: Welches Schema.org-Element richtig einsetzen?

Der häufigste Implementierungsfehler beginnt bereits bei der Typauswahl. Schema.org bietet zwei Typen, die inhaltlich ähnlich wirken, aber von KI-Systemen unterschiedlich ausgewertet werden.

EducationalOccupationalProgram für akkreditierte Studiengänge

EducationalOccupationalProgram ist der korrekte Typ für alle formal akkreditierten Studienangebote, die zu einem anerkannten Abschluss führen: Bachelor, Master, MBA, Diplom sowie Zertifikatsstudiengänge mit staatlich anerkanntem Abschluss. Dieser Typ enthält spezifische Felder wie educationalCredentialAwarded, programPrerequisites und occupationalCategory, die für KI-Empfehlungen auf Berufsfeld-Anfragen entscheidend sind.

Der Typ signalisiert KI-Systemen: Hier ist ein formales Bildungsprogramm mit einem definierten Abschluss, überprüfbaren Zulassungsvoraussetzungen und einem klaren Berufsprofil der Absolventen. Genau diese Struktur benötigt ein Sprachmodell, um auf die Anfrage „beste Hochschule für Wirtschaftsinformatiker in Bayern" eine konkrete, zitierbare Empfehlung zu formulieren.

Course für einzelne Kurse und Weiterbildung

Course ist der richtige Typ für Einzelmodule, Weiterbildungskurse ohne formalen Hochschulabschluss, Sprachkurse, Zertifikatsseminare und Sommer-Intensivkurse. Wer einen viersemestrigen Master in Marketing als Course auszeichnet, verliert die berufsqualifizierenden Felder und damit die semantische Verknüpfung zu den Berufsbezeichnungen, nach denen KI-Systeme bei Empfehlungsanfragen suchen.

Für das typische Portfolio einer privaten Hochschule bedeutet das: Bachelor- und Masterstudiengänge, MBAs und Diplomstudiengänge erhalten EducationalOccupationalProgram. Einzelne Weiterbildungsmodule, Sprachkurse und Module ohne eigenen Abschluss erhalten Course.

Die 8 Schema.org-Eigenschaften, die KI-Zitate generieren

Nachfolgend ein vollständiges JSON-LD-Beispiel für einen deutschen Betriebswirtschaft-Bachelor, gefolgt von den Erläuterungen zu jeder der 8 entscheidenden Eigenschaften:

{
  "@context": "https://schema.org",
  "@type": "EducationalOccupationalProgram",
  "name": "Bachelor of Arts Betriebswirtschaftslehre",
  "description": "6-semestriges Bachelorstudium in BWL mit Schwerpunkten Marketing, Controlling und Internationales Management. Akkreditiert durch FIBAA, NC-frei.",
  "url": "https://www.hochschule-beispiel.de/studium/bachelor-bwl",
  "provider": {
    "@type": "EducationalOrganization",
    "name": "Hochschule Beispiel",
    "sameAs": "https://www.hochschule-beispiel.de"
  },
  "programType": "Bachelor",
  "educationalCredentialAwarded": "Bachelor of Arts (B.A.) Betriebswirtschaftslehre — akkreditiert durch FIBAA",
  "numberOfCredits": "180",
  "creditUnit": "ECTS",
  "timeToComplete": "P3Y",
  "applicationDeadline": "2026-07-15",
  "offers": {
    "@type": "Offer",
    "price": "650",
    "priceCurrency": "EUR",
    "description": "Semesterbeitrag inkl. Semesterticket — kein Studiengangsbeitrag"
  },
  "occupationalCategory": [
    "Unternehmensberater",
    "Projektmanager",
    "Marketing Manager",
    "Controller",
    "Business Analyst"
  ],
  "courseMode": "onsite",
  "inLanguage": "de",
  "programPrerequisites": {
    "@type": "EducationalOccupationalCredential",
    "credentialCategory": "Allgemeine Hochschulreife (Abitur) oder Fachhochschulreife"
  }
}

1. name — Der vollständige offizielle Studiengangsname inklusive Abschlussbezeichnung. Nicht „BWL-Studium", sondern „Bachelor of Arts Betriebswirtschaftslehre". KI-Systeme gleichen diesen Namen mit Einträgen im HRK-Hochschulkompass und beim DAAD ab. Abweichungen reduzieren die Vertrauenspunkte des Eintrags.

2. description — 1–3 Sätze mit den entscheidenden Differenzierungsmerkmalen: Semesteranzahl, Schwerpunkte, Studienform, Akkreditierungshinweis, NC-Status. Diese Beschreibung ist der erste Text, den KI-Systeme als potenzielle Zitatgrundlage verarbeiten. „Spannender Studiengang mit guten Berufsaussichten" ist nicht zitierbar. „6-semestriges Bachelorstudium, NC-frei, akkreditiert durch FIBAA" schon.

3. educationalCredentialAwarded — Abschlussbezeichnung plus Akkreditierungsmarke in einem Feld. Der Wert sollte exakt lauten: „Bachelor of Arts (B.A.) Betriebswirtschaftslehre — akkreditiert durch FIBAA" oder „Master of Science (M.Sc.) Wirtschaftsinformatik — ASIIN-akkreditiert, gültig bis 2029". Die Akkreditierungsmarke direkt im Abschlussfeld ist der entscheidende Unterschied gegenüber dem description-Feld: KI-Systeme werten dieses Feld beim Beantworten von Akkreditierungsanfragen bevorzugt aus.

4. occupationalCategory — Ein Array konkreter Berufsbezeichnungen, keine generischen Kategorien. „Marketing Manager", „Controller" und „Business Analyst" sind zitierbar. „Management" oder „Wirtschaft" sind es nicht. Diese Eigenschaft ist der direkte Hebel für KI-Antworten auf Anfragen wie „beste Hochschule für angehende Controller in NRW". Das Array sollte 4–7 spezifische Berufsbezeichnungen enthalten, orientiert an der Berufsliste der Bundesagentur für Arbeit unter berufenet.arbeitsagentur.de.

5. offers / price — Semesterbeitrag und Studiengebühren müssen maschinenlesbar sein. Private Hochschulen, die ihre Studiengebühren hinter Beratungsanfragen verstecken, geben einen der stärksten KI-Zitationshebel auf. Formulieren Sie präzise: "price": "890", "priceCurrency": "EUR", "description": "Monatliche Studiengebühr, Gesamtkosten Regelstudienzeit 32.040 €". KI-Systeme beantworten Kostenvergleichsanfragen bevorzugt mit Quellen, die konkrete Zahlen enthalten.

6. courseMode — Präsenzstudium, Online-Studium oder Blended Learning als maschinenlesbarer Wert. Zulässige Werte: onsite, online, blended. Dieser Wert ist entscheidend für Anfragen wie „berufsbegleitende Online-Masterstudiengänge in Deutschland". Fehlt das Feld, kann das KI-System die Studienform nicht in die Empfehlung einbeziehen.

7. programPrerequisites — Zulassungsvoraussetzungen strukturiert auszeichnen: Allgemeine Hochschulreife, Fachhochschulreife, NC-Anforderungen, berufliche Qualifikationen für weiterbildende Programme. Für NC-freie Studiengänge geben Sie dies explizit als Wert an — KI-Systeme werten das als positives Differenzierungsmerkmal bei Anfragen von Studieninteressierten mit niedrigen NC-Werten.

8. numberOfCredits / creditUnit — ECTS-Punkte als numerischer Wert und "ECTS" als Einheit. Zusammen mit timeToComplete (ISO-8601-Format: P3Y für drei Jahre, P4S für vier Semester) liefert dieses Feld KI-Systemen die Grunddaten für Studiengang-Vergleiche. Fehlt die Angabe, fällt Ihr Studiengang bei Vergleichsanfragen wie „welche Hochschulen bieten 180-ECTS-Bachelor in BWL" heraus.

Deutsche Akkreditierungen korrekt auszeichnen

Das deutsche Akkreditierungssystem ist für internationale KI-Systeme nicht selbsterklärend. Ohne explizite Auszeichnung kann ChatGPT nicht zwischen einer FIBAA-programm­akkreditierten Hochschule und einer systemakkreditierten Universität unterscheiden — und zitiert bei Zweifeln lieber keine Institution.

Das deutsche Hochschulwesen kennt drei Akkreditierungsebenen, die jeweils unterschiedlich ausgezeichnet werden sollten:

Programmakkreditierung durch eine der vom Akkreditierungsrat anerkannten Agenturen: ACQUIN, AHPGS, AQAS, ASIIN, evalag, FIBAA oder ZEvA. Tragen Sie den vollständigen Namen der Agentur in educationalCredentialAwarded ein, nicht nur das Kürzel. Verlinken Sie auf die Akkreditierungsdatenbank des Akkreditierungsrats als sameAs-Wert des Programms, sofern ein direkter Eintrag existiert.

Systemakkreditierung signaliert, dass die Hochschule ein eigenes, vom Akkreditierungsrat anerkanntes Qualitätssicherungssystem betreibt. Tragen Sie diesen Status im EducationalOrganization-Block der Hochschule ein, nicht im einzelnen Studiengangsblock.

Internationale Akkreditierungen wie AACSB, EQUIS und AMBA sind für KI-Systeme besonders hochwertig, weil sie auf verlässlichen englischsprachigen Referenzseiten erscheinen, die von den Modellen mit hoher Priorität verarbeitet werden. Ergänzen Sie für Business Schools mit internationaler Akkreditierung den accreditation-Array im EducationalOrganization-Block mit den vollständigen Namen und verlinken Sie auf die jeweiligen Organisationsseiten. Wie Akkreditierungen die KI-Zitationsquote beeinflussen, beschreibt der Artikel Hochschulakkreditierung und KI-Zitation.

Für berufsständisch regulierte Studiengänge — Ingenieurwesen, Steuerberatung, Architektur — ergänzen Sie zusätzlich die staatliche Anerkennung durch die zuständige Kammer als hasCredential-Wert im Hochschulblock.

Berufliche Perspektiven: Der meistzitierte Datenpunkt

Die occupationalCategory-Eigenschaft ist der direkte Wettbewerbshebel für KI-Anfragen im Berufsfeld-Format: „beste Hochschule für Softwareentwickler", „welcher Bachelor für angehende Unternehmensberater", „Studiengang für Data Scientists in München". Jede dieser Anfragen löst im Sprachmodell eine semantische Suche nach Entitäten aus, die die genannte Berufsbezeichnung explizit mit einem Bildungsangebot verknüpfen.

Verwenden Sie Berufsbezeichnungen aus der Bundesagentur für Arbeit Berufsliste (BerufNet) — diese Quelle wird von deutschen KI-Systemen als Referenzautorität behandelt. Konkret bedeutet das:

• Statt „Management" → „Unternehmensberater", „Projektmanager", „Operations Manager"
• Statt „IT" → „Softwareentwickler", „DevOps Engineer", „IT-Systemarchitekt"
• Statt „Gesundheit" → „Klinischer Psychologe", „Gesundheitsökonom", „Krankenhausmanager"

Ergänzen Sie das occupationalCategory-Array durch einen sichtbaren „Berufsfeld"-Abschnitt auf der Seite selbst. Schema.org-Markup und sichtbarer Seiteninhalt müssen übereinstimmen — ausschließlich im Markup deklarierte Berufsperspektiven, die auf der Seite nicht erscheinen, werden von Google als inkonsistentes Signal gewertet. Das CHE-Hochschulranking liefert für viele Fachbereiche vergleichbare Berufsperspektivdaten, die sich als Zitationsquelle im Berufsfeld-Abschnitt der Seite eignen.

Für Wirtschaftsstudiengänge sind Gehaltskorridore nach Einstiegsjahr ein besonders stark zitierter Datenpunkt. Wenn Sie diese Zahlen auf der Seite ausweisen — mit Quellenangabe, Stichprobengröße und Erhebungsjahr — schaffen Sie die Grundlage für KI-Zitationen bei Anfragen wie „wie viel verdient man nach einem BWL-Bachelor". Diese Optimierungen für antwortfähige Inhalte beschreibt die ChatGPT-BOFU-Checkliste für Studiengangseiten ausführlich.

Markup testen und validieren

Nach der Implementierung muss jede Studiengangsseite validiert werden. Die vier Standard-Tools decken unterschiedliche Prüfdimensionen ab:

Der Rich Results Test zeigt sofort, ob Google Ihr EducationalOccupationalProgram-Markup als gültig einstuft. Testen Sie jede Variante separat: die Desktop-URL und die mobile URL, sofern Ihre Website unterschiedliche Versionen ausliefert. Führen Sie nach jeder inhaltlichen Aktualisierung der Studiengangsseite — NC-Werte, Bewerbungsfristen, Studiengebühren — eine erneute Validierung durch. Veraltete Werte im Markup erzeugen ein Inkonsistenz-Signal, das KI-Systeme senkt die Zitationswahrscheinlichkeit.

Die Google Search Console zeigt im Tab „Verbesserungen" aggregierte Fehler über alle indizierten Seiten hinweg — ein unverzichtbares Dashboard für Hochschulen mit 20 oder mehr Studiengängen. Planen Sie ein vierteljährliches Markup-Audit ein: Bewerberfristen, NC-Grenzwerte und Studiengebühren ändern sich mindestens einmal pro Jahr, das Markup muss synchron aktualisiert werden.

Die Wirkung auf KI-Sichtbarkeit lässt sich direkt testen: Stellen Sie ChatGPT, Perplexity und Gemini standardisierte Anfragen zu Ihren Studiengängen und protokollieren Sie, ob Ihre Hochschule in den Antworten erscheint. Für systematisches Monitoring empfiehlt sich ein strukturierter Ansatz, den der Artikel KI-Sichtbarkeits-Audit-Tools im Vergleich beschreibt.

Typische Fehler deutscher Hochschulen

Die Analyse von mehr als 200 deutschen Hochschulwebsites zeigt sechs Implementierungsfehler, die trotz vorhandenem Markup keine KI-Sichtbarkeit erzeugen:

1. Generische Berufsbezeichnungen in occupationalCategory. „Wirtschaft" oder „Technik" als Werte übergeben bedeutet, dass die KI das Markup ignoriert. Konkrete Berufsbezeichnungen nach BerufNet-Standard sind die einzige zitierbare Einheit.

2. Fehlende Akkreditierungsmarke in educationalCredentialAwarded. „Bachelor of Arts" ohne Akkreditierungshinweis ist semantisch identisch mit Hunderten anderer Angebote. Die Formel „[Abschluss] — akkreditiert durch [Agentur], gültig bis [Datum]" ist die einzige Form, die KI-Systeme als überprüfbaren Akkreditierungsnachweis werten.

3. NC-Anforderungen nicht in programPrerequisites aufgenommen. Studieninteressierte fragen KI-Systeme häufig nach NC-Grenzen. Wer diesen Wert nicht im Markup deklariert, verliert bei einem der meistgefragten Datenpunkte im deutschen Hochschulkontext. NC-freie Studiengänge sollten das explizit als Wert setzen — das ist ein Alleinstellungsmerkmal, das KI-Systeme bei Anfragen von Bewerbern mit mittleren Abiturnoten direkt zitieren.

4. Semesterbeitrag statt tatsächlicher Studiengebühren bei privaten Hochschulen. Staatliche Hochschulen haben tatsächlich nur Semesterbeiträge. Private Hochschulen mit monatlichen Studiengebühren müssen diese transparent im offers-Block ausweisen — inklusive Gesamtkosten über die Regelstudienzeit. KI-Systeme beantworten Kostenvergleiche nur mit konkreten Zahlen.

5. Course-Typ statt EducationalOccupationalProgram für Studiengänge. Der falsche Typ bedeutet, dass die studiengangs­spezifischen Felder fehlen. Ein Course-Objekt hat kein occupationalCategory-Array und kein programPrerequisites-Feld — die wichtigsten Zitationshebel für Empfehlungsanfragen.

6. Mehrere Studiengänge in einer einzigen Schema-Instanz zusammengefasst. Ein Block, der „Bachelor BWL, Master Finance, MBA International" enthält, ist für KI-Systeme nicht verwertbar. Jeder Studiengang benötigt ein eigenes EducationalOccupationalProgram-Objekt auf seiner eigenen Seite. Die Zusammenfassung auf der Studiengangs­übersichtsseite ist kein Ersatz. Mehr zu den übergreifenden Signalen, die LLMs bei Empfehlungen bewerten: 15 Signale, die LLMs bei Hochschulempfehlungen auswerten.

FAQ

Braucht jeder Studiengang ein eigenes Schema.org-Markup?

Ja — ein EducationalOccupationalProgram-Block pro Seite, ohne Ausnahme. KI-Systeme verarbeiten jede URL einzeln. Ein zentrales Markup auf der Übersichtsseite liefert keinen Kontext für einzelne Studiengangempfehlungen. Der Mehraufwand reduziert sich nach der ersten Implementierung erheblich: Erstellen Sie ein JSON-LD-Template für jeden Studiengangstyp (Bachelor, Master, MBA) und befüllen Sie die variablen Felder pro Studiengang — name, description, educationalCredentialAwarded, occupationalCategory, offers, applicationDeadline — über Ihr CMS-System.

Kann unser CMS das JSON-LD automatisch generieren?

Die meisten gängigen Systeme unterstützen JSON-LD-Templates: WordPress mit RankMath Pro oder Schema Pro, TYPO3 mit dem schema-Extension, Drupal mit dem Schema.org Metatag-Modul, Headless-CMS-Lösungen wie Contentful oder Sanity über Custom-Field-Mappings. Nach jeder Implementierung oder CMS-Aktualisierung den Rich Results Test ausführen — automatisch generiertes Markup enthält häufig Feldtyp-Fehler, die das Markup ungültig machen.

Wie lange dauert es, bis KI-Systeme das Markup erkennen?

Google indexiert neue strukturierte Daten typischerweise innerhalb von 1–4 Wochen, sofern die Seite bereits gecrawlt wird. ChatGPT und Perplexity aktualisieren ihre Wissensbasis in unterschiedlichen Zyklen — nach Beobachtungen aus dem Skolbot-Panel in der Regel 1–3 Monate nach der Indexierung durch Google. Das Markup verbessert die Crawlbarkeit und Maschinenlesbarkeit sofort; die Wirkung auf KI-Antworten ist ein nachgelagerter Effekt. Planen Sie einen Validierungscheck nach vier und nach zwölf Wochen ein.

Ersetzt Schema.org andere GEO-Signale?

Nein. Strukturierte Daten verstärken bestehende Autoritätssignale — sie ersetzen sie nicht. Ein EducationalOccupationalProgram-Block auf einer Seite ohne externe Erwähnungen, ohne überprüfbare Akkreditierung und ohne antwortfähige Inhalte erzeugt weniger KI-Sichtbarkeit als eine gut aufgebaute Seite ohne Markup, die auf Referenzseiten wie HRK-Hochschulkompass oder DAAD zitiert wird. Schema.org ist der technische Multiplikator für vorhandene inhaltliche Signale. Die vollständige Signallandschaft beschreibt der Artikel 15 Signale, die LLMs bei Hochschulempfehlungen auswerten.

Wie erkennen wir, ob unsere Seiten von KI-Systemen gelesen werden?

Testen Sie direkt: Stellen Sie ChatGPT, Perplexity und Gemini standardisierte Anfragen zu Ihren Studiengängen — „beste [Fachbereich]-Hochschule in [Bundesland]", „[Studiengang] mit [Akkreditierung] in Deutschland" — und protokollieren Sie, ob Ihre Hochschule erscheint und mit welchem Wording sie zitiert wird. Für systematisches Monitoring mit Zeitreihen und automatisierten Testanfragen empfiehlt sich ein dediziertes Tool: Der Vergleich der KI-Sichtbarkeits-Audit-Tools für Hochschulen bietet eine aktuelle Marktübersicht.