Ressource: KI-generiertes Markup ungeprüft
Die Ressource beschreibt ein praktisches Risiko in der Umsetzung strukturierter Daten. KI-Systeme können JSON-LD-Blöcke schnell erzeugen, aber sie prüfen nicht automatisch, ob der erzeugte Code zum konkreten Seitentyp, zur Hauptentität und zum sichtbaren Inhalt passt.
In Projekten entstehen Fehler häufig nicht durch fehlendes Markup, sondern durch unpassendes Markup. Ein technisch sauber aussehender Block kann für den falschen Seitentyp gebaut sein, eine ungeeignete Property verwenden oder auf eine Entität verweisen, die im sichtbaren Inhalt nicht ausreichend gestützt wird.
Warum ist KI-generiertes Markup riskant?
KI-generiertes Markup ist riskant, weil Sprachmodelle plausible Strukturen erzeugen können, ohne die vollständige Schema.org-Spezifikation, die Suchmaschinenanforderungen und den konkreten Seitenkontext zuverlässig gegeneinander zu validieren.
Für KI-Sichtbarkeit ist das kritisch. Strukturierte Daten sollen maschinenlesbare Klarheit schaffen. Wenn Markup falsche Beziehungen beschreibt, entstehen schwache oder widersprüchliche Signale für Suchmaschinen, Knowledge Graphs und KI-Systeme.
Welche Fehler entstehen bei KI-generiertem JSON-LD?
| Fehlerart | Beschreibung | Auswirkung |
|---|---|---|
| Falscher Schema.org-Typ | Die Seite wird als Article, FAQPage, Product oder Service ausgezeichnet, obwohl der Seitentyp nicht passt. | Suchmaschinen und KI-Systeme erhalten ein verzerrtes Seitensignal. |
| Unzulässige Property | Eine Property wird bei einem Typ verwendet, für den sie nicht vorgesehen ist. | Validatoren erzeugen Warnungen oder ignorieren Teile des Markups. |
| Ungültiger Zieltyp | Eine Property verweist auf ein Objekt ohne passenden @type. | Beziehungen zwischen Autor, Publisher, Bild oder Hauptentität werden schwach. |
| Doppelte @id-Struktur | Mehrere Objekte verwenden dieselbe @id für unterschiedliche Zwecke. | Die Entitätsauflösung wird unklar oder fehlerhaft. |
| Inhaltliche Überzeichnung | Das Markup behauptet mehr, als der sichtbare Inhalt belegt. | Quellenvertrauen und maschinelle Einordnung werden geschwächt. |
Welche Prüfregel gilt für KI-generiertes Markup?
Die wichtigste Regel lautet: Erst fachlich prüfen, dann technisch validieren. Ein JSON-LD-Block sollte nicht veröffentlicht werden, nur weil er syntaktisch korrekt aussieht. Entscheidend ist, ob jedes Objekt, jede Property und jede Referenz eine nachvollziehbare Funktion auf der konkreten Seite erfüllt.
Wie sollte KI-generiertes JSON-LD validiert werden?
Die Validierung sollte in mehreren Schritten erfolgen. Zuerst wird geprüft, ob das Markup zur Seite passt. Danach werden Zieltypen, Properties und @id-Strukturen kontrolliert. Erst danach sollte das Markup durch mindestens zwei Validatoren laufen.
- Seitentyp bestimmen: WebPage, TechArticle, FAQPage, CreativeWork, ImageObject oder DefinedTerm.
- Hauptentität prüfen: Welche Person, Organisation, Ressource oder welcher Begriff steht im Mittelpunkt?
- Properties kontrollieren: Jede Property muss zum jeweiligen Schema.org-Typ passen.
- Zieltypen ergänzen: author, publisher, image, mainEntity und copyrightHolder brauchen passende Objekttypen.
- Validatoren nutzen: Schema.org Validator und Google Rich Results Test sollten unterschiedliche Fehlerklassen sichtbar machen.
Wie sieht ein typischer Fehler aus?
Ein häufiger Fehler entsteht, wenn eine KI eine reine @id-Referenz erzeugt, aber der Validator auf derselben Seite einen gültigen Zieltyp erwartet. Dadurch kann ein Verweis auf publisher, author oder copyrightHolder technisch schwach oder ungültig wirken.
{
"risk": "reine @id-Referenz ohne lokalen @type",
"example_property": "publisher",
"validator_warning": "kein gültiger Zieltyp",
"fix": "Organization minimal mit @type, @id, name und url definieren"
}Wie geht LANURI mit KI-generiertem Markup um?
LANURI nutzt KI bei strukturierten Daten als Assistenz, nicht als finale Implementierungsinstanz. KI kann Vorschläge erzeugen, Varianten vergleichen und Markup vorbereiten. Die finale Entscheidung über Seitentyp, Properties, Zieltypen und Entitätsmodell bleibt eine fachliche Architekturaufgabe.
| Schritt | Prüfung | Ziel |
|---|---|---|
| KI-Entwurf | Markup-Vorschlag erzeugen lassen | Arbeitsgeschwindigkeit erhöhen |
| Fachcheck | Seitentyp, Entität und Aussage prüfen | semantische Passung sicherstellen |
| Schema-Check | Properties und Zieltypen kontrollieren | Warnungen und ungültige Strukturen reduzieren |
| Validator-Check | mindestens zwei Prüfwerkzeuge verwenden | unterschiedliche Regelwerke abdecken |
| Monitoring | nach Veröffentlichung erneut prüfen | Fehler nach Seitenänderungen vermeiden |
Experteneinschätzung zu KI-generiertem Markup
„In LANURI-Projekten nutzen wir KI für Markup-Entwürfe, aber nie als alleinige Prüfinstanz. Entscheidend ist die Kombination aus fachlichem Seitentyp-Check, Zieltyp-Prüfung und Validierung mit mindestens zwei Werkzeugen.“
Quellen und Referenzen
Diese Ressource basiert auf der LANURI-Methodik zur Prüfung strukturierter Daten und verbindet Konzepte aus Schema.org, JSON-LD, Rich-Result-Validierung und maschinenlesbarer Webarchitektur.