Schema.org fuer Restaurants: Der unsichtbare Schluessel zur KI-Sichtbarkeit

Schema.org ist das maschinenlesbare Vokabular hinter KI-Empfehlungen. Was Gastronomen wissen muessen — ohne eine einzige Zeile Code zu schreiben.

Ihre Website hat eine geheime Schicht, die Gaeste niemals sehen. Aber ChatGPT, Gemini und Google lesen sie staendig. Sie nennt sich Schema.org Markup — und fuer die meisten Restaurants existiert sie entweder gar nicht oder ist gefaehrlich lueckenhaft.

Das ist keine technische Kuriositat. Es ist der entscheidende Faktor dafuer, ob KI-Systeme Ihr Restaurant empfehlen oder stillschweigend uebergehen, wenn ein potenzieller Gast fragt: „Welches Restaurant in meiner Naehe hat glutenfreies Dim Sum?“

Was Schema.org wirklich ist

Schema.org ist ein gemeinsames Vokabular — ein standardisiertes Woerterbuch, das Maschinen sagt, was die Informationen auf Ihrer Website bedeuten, nicht nur was sie sagen.

Es wurde 2011 als gemeinsame Initiative von Google, Microsoft, Yahoo und Yandex gegruendet. Heute ist es die Lingua franca des Internets fuer strukturierte Daten: Ueber 30 Millionen Websites nutzen es, und jedes grosse KI-System — ChatGPT, Google Gemini, Perplexity — ist darauf angewiesen, um zu verstehen, worum es auf einer Website wirklich geht.

Stellen Sie sich vor: Ein Mensch liest Ihre Speisekarte und versteht sofort „Kung Pao Chicken, Hauptgericht, 16,50 Euro, enthaelt Erdnuesse.“ Eine KI liest dieselbe unstrukturierte Seite und sieht: Zeichenketten ohne definierte Bedeutung. Ist „Erdnuesse“ eine Geschmacksnotiz, eine Zutat oder eine Allergen-Warnung? Ohne Schema.org kann die KI das nicht mit Sicherheit sagen.

Mit Schema.org JSON-LD Markup in Ihrer Seite liest die KI: @type: MenuItem, name: "Kung Pao Chicken", price: 16.50, priceCurrency: EUR, containsAllergen: "Erdnuesse", menuAddOn: false. Null Zweideutigkeit. Hundert Prozent Praezision.

Wie KI-Systeme Schema.org nutzen, um Restaurants zu empfehlen

Wenn ein Nutzer ChatGPT fragt „Welche Frankfurter Restaurants bieten erdnussfreies chinesisches Essen an?“, scrollt die KI nicht wie ein Mensch durch Restaurant-Websites. Sie fragt strukturierte Datenschichten ab: Google Knowledge Graph-Eintraege (aufgebaut aus Schema.org), indizierte JSON-LD-Bloecke von gecrawlten Seiten und Echtzeit-Daten aus verbundenen Quellen wie Google Business Profile.

Restaurants, deren Daten maschinenlesbar sind, werden beantwortet. Restaurants ohne strukturierte Daten werden uebersprungen — nicht wegen der Qualitaet des Essens, sondern weil die KI keine Moeglichkeit hat, die spezifische Behauptung des Nutzers zu verifizieren.

Die drei KI-Kanaele, die am staerksten von Schema.org abhaengig sind:

Google AI Overviews erscheinen jetzt ueber klassischen Suchergebnissen bei intentionsgetriebenen Anfragen wie „Restaurant mit Allergie-Optionen.“ Diese Uebersichten werden fast ausschliesslich aus Schema.org-strukturierten Quellen generiert. Ein Restaurant ohne Markup existiert fuer diese Anfragen schlicht nicht.

ChatGPT und Gemini nutzen Schema.org-Daten sowohl aus dem Training als auch ueber die Live-Websuche. Wenn die Websuche aktiviert ist — was bei Restaurant-Anfragen standardmaessig der Fall ist — rufen sie JSON-LD-Bloecke direkt von gecrawlten Seiten ab und parsen sie.

Sprachassistenten (Siri, Google Assistant, Alexa) beantworten taeglich Millionen von Restaurant-Anfragen. Ihre Antworten kommen fast ausschliesslich aus Schema.org Markup und Featured Snippets, die aus strukturierten Daten abgeleitet werden.

→ Was ist KI-Sichtbarkeit? Das vollstaendige Bild

Die restaurant-spezifischen Schema.org-Properties, die zaehlen

Die meisten generischen Schema.org-Anleitungen konzentrieren sich auf Blog-Posts und Produkte. Restaurants haben einen voellig anderen Satz relevanter Properties — und die meisten Leitfaeden decken sie nicht ab.

Hier sind die Properties, die KI-Sichtbarkeit fuer Restaurants bestimmen:

@type: Restaurant — Das Fundament. Das sagt jedem KI-System: Dieses Objekt ist ein Restaurant. Kombiniert mit name, address, telephone, openingHoursSpecification und servesCuisine entsteht der Basis-Knowledge-Graph-Eintrag, den ChatGPT und Gemini verwenden, wenn ein Nutzer nach „einem chinesischen Restaurant in Frankfurt“ fragt.

hasMenu + @type: Menu — Ohne diese Verkneupfung behandeln KI-Systeme Ihre Gerichte als unzusammenhaengende Texte auf einer separaten Seite. Die hasMenu-Property verbindet Ihre Restaurant-Entitat mit ihrer Menuentitaet und macht die gesamte Struktur fuer Crawler traversierbar. Das ist die Bruecke zwischen „Das ist ein Restaurant“ und „Das serviert das Restaurant.“

@type: MenuItem — Jedes Gericht benoetigt eine eigene MenuItem-Entitat. Die wesentlichen Properties: name (in jeder Sprache, in der Sie servieren), description, price, priceCurrency, image und menuSection. Ohne individuelle MenuItem-Entitaeten sind Ihre Gerichte fuer jedes KI-System unsichtbar — sie existieren als menschenlesbarer Text, nicht als maschinenlesbare Fakten.

containsAllergen — Das ist die Property, die bestimmt, ob Sie in der am schnellsten wachsenden Kategorie von KI-Restaurant-Anfragen erscheinen: Allergen- und Ernaehrungssuchen. Die 14 EU-regulierten Allergene (Gluten, Erdnuesse, Schalentiere, Schalenfruchte, Sesam usw.) muessen pro Gericht mit der containsAllergen-Property gelistet werden. Ein Restaurant, das diese Daten korrekt strukturiert hat, kann „erdnussfreie“, „glutenfreie“ und „sesamfreie“ Anfragen abdecken, die Wettbewerber ohne dieses Markup vollstaendig verpassen.

suitableForDiet — Diaeteignungs-Flags (VeganDiet, VegetarianDiet, GlutenFreeDiet, HalalDiet) verwenden eine standardisierte Schema.org-Enumeration. Korrekt strukturiert ermoeglicht dies KI-Systemen, diaetspezifische Anfragen („vollveganisches Restaurant in meiner Naehe“) mit Sicherheit zu beantworten — sie raten nicht aus Text, sie lesen deklarierte Fakten.

NutritionInformation — Kalorien, Protein, Fett, Kohlenhydratwerte pro Gericht. Diese Property wird zunehmend von KI-Systemen verwendet, um ernaehrungsspezifische Anfragen zu beantworten („proteinreiche Gerichte unter 500 Kalorien“). Sie ist auch das Signal, das seriose Restaurantdaten von einem gelegentlichen Online-Auftritt unterscheidet.

→ Wie Google Business Profile Schema.org-Signale verstaerkt

Die Luecke: Was die meisten Restaurant-Websites tatsaechlich haben

Bei einem Audit von Restaurant-Websites in deutschen Grossstaedten ist das Muster konsistent: Die meisten haben entweder gar keine strukturierten Daten, oder einen einfachen Restaurant-Schema-Block, der automatisch von einem Website-Builder generiert wurde und nur den Restaurant-Namen, die Adresse und die Telefonnummer abdeckt.

Was fast durchgaengig fehlt:

Keine MenuItem-Entitaeten — die Speisekarte existiert als PDF oder Bild-Karussell, unsichtbar fuer alle KI-Systeme. Keine containsAllergen-Daten — Allergeninformationen sind in PDF-Downloads oder Fussnoten vergraben, nicht maschinenlesbar. Kein mehrsprachiges Schema — das Restaurant existiert in der Welt der KI nur in einer Sprache, unsichtbar fuer Sprecher anderer Sprachen. Keine NutritionInformation — gesundheitsbewusste und diaetspezifische Anfragen liefern fuer diese Restaurants null Ergebnisse.

Das praktische Ergebnis: Ein Wettbewerber mit vollstaendigem Schema.org Markup erscheint bei Dutzenden spezifischer KI-Anfragen, bei denen Restaurants ohne Markup vollstaendig fehlen — unabhaengig davon, wie gut das Essen ist.

Sie muessen keine einzige Zeile Code schreiben

Die gute Nachricht: Vollstaendiges Schema.org Markup manuell zu implementieren ist komplex — aber Sie muessen es nicht manuell tun.

chiwai generiert restaurant-spezifisches Schema.org JSON-LD automatisch aus Ihren Speisekartendaten. Der Ablauf:

Schritt 1: Sie laden Ihre Speisekarte hoch — ob aus einem PDF, einem Foto oder durch manuelle Eingabe von Gerichten. Die KI von chiwai identifiziert jedes Gericht, seine Zutaten, Allergene und Diaeteigenschaften.

Schritt 2: chiwai generiert vollstaendiges Schema.org JSON-LD fuer jedes Gericht: @type MenuItem, Name in DE/EN/ZH, containsAllergen mit EU-14-Allergenen, suitableForDiet-Flags, NutritionInformation aus dem deutschen Naehrstoffdatenbankstandard BLS und Bilddaten aus Ihren Gerichtefotos.

Schritt 3: Die strukturierten Daten werden in jede Gerichteseite eingebettet und ueber die Food Menus API mit Ihrem Google Business Profile synchronisiert — was direkt in den Knowledge Graph von Google Gemini einfliesst.

Schritt 4: Wenn ein neues Gericht hinzugefuegt oder ein Preis geaendert wird, aktualisieren sich die Schema.org-Daten automatisch. Kein manueller Aufwand. Kein technisches Fachwissen erforderlich.

Das Ergebnis ist ein Restaurant, dessen Daten ueber alle KI-Kanaele maschinenlesbar sind — von ChatGPT ueber Gemini bis zu Sprachassistenten — in mehreren Sprachen, mit vollstaendigen Allergen- und Diaetdaten.

→ Wie die Google Restaurants API Ihre Speisekartendaten direkt an Google uebertraegt

Ein reales Beispiel: Vom PDF zur KI-Sichtbarkeit

China Restaurant Yung in Frankfurt betreibt sein Restaurant seit 1988. Ihr Online-Auftritt: Eine Website nur auf Deutsch, mit einer PDF-Speisekarte und keinen strukturierten Daten. KI-Anfragen nach „chinesisches Restaurant Frankfurt glutenfrei“ lieferten fuer sie null Ergebnisse.

Nach der Digitalisierung ihrer 191-Gerichte-Speisekarte durch chiwai erhielt jedes Gericht eine vollstaendige Schema.org MenuItem-Entitaet — mit containsAllergen-Daten fuer alle EU-14-Allergene, suitableForDiet-Flags fuer vegane und vegetarische Gerichte, mehrsprachige Namen und Beschreibungen auf Deutsch, Englisch, Chinesisch, Spanisch, Tuerkisch und Arabisch sowie NutritionInformation aus BLS-Daten.

Die Schema.org-Daten wurden auf individuellen Gerichteseiten veroffentlicht und mit Google Business Profile synchronisiert. Innerhalb von Wochen begannen Gerichteseiten, Suchanfragen aus 39 Laendern zu generieren — ohne einen einzigen Euro Werbeausgaben. Die strukturierten Daten machten das Restaurant fuer Anfragen auffindbar, die zuvor gar kein Ergebnis lieferten.

Vollstaendige Case Study lesen →

FAQ

Beeinflusst Schema.org Markup klassische Google-Rankings?

Ja, erheblich. Schema.org Markup ist eines der staerksten Signale fuer Rich Results in der Google-Suche — die erweiterten Eintraege mit Sternebewertungen, Preisspannen, Oeffnungszeiten und Gerichtefotos, die ueber Standard-Blau-Links erscheinen. Rich Results erfordern strukturierte Daten. Ausserdem nutzt Google Schema.org-Daten zur Befuellung von Knowledge Panels und Local Pack-Eintraegen. Ein Restaurant mit vollstaendigem Markup beansprucht mehr visuellen Platz in den Suchergebnissen und liefert spezifischere Signale fuer KI-generierte Zusammenfassungen. Es ist gleichzeitig ein KI-Sichtbarkeits-Tool und ein klassisches SEO-Tool.

Ist JSON-LD der einzige Weg, Schema.org zu implementieren?

Es gibt drei Methoden: JSON-LD (JavaScript Object Notation for Linked Data), Microdata und RDFa. Google empfiehlt ausdruecklich JSON-LD, da es in einem Script-Tag eingebettet wird statt in den HTML-Code gemischt zu werden, was die Pflege und Aktualisierung erleichtert. Alle drei Methoden funktionieren fuer Googles strukturierten Daten-Parser, aber JSON-LD ist der aktuelle Standard und das Format, das chiwai automatisch fuer jede Gerichteseite generiert.

Wie oft muss Schema.org Markup aktualisiert werden?

Jedes Mal, wenn sich etwas aendert: ein neues Gericht, eine Preisaenderung, ein Saisonmenu-Wechsel, eine Allergen-Aktualisierung. Das ist die Kern-Herausforderung bei der manuellen Pflege von Schema.org — die Daten veralten und werden ungenau, was schlimmer ist als gar keine strukturierten Daten (Google bestraft ungenaue strukturierte Daten). chiwai loest das, indem Schema.org-Daten automatisch generiert und aktualisiert werden, wenn sich Ihre Speisekarte im System aendert. Die strukturierte Datenschicht bleibt ohne manuellen Aufwand aktuell.