Was ist der Google Knowledge Graph?
Der Google Knowledge Graph ist eine interne Datenbank. Darin speichert Google reale Objekte wie Personen, Unternehmen, Orte und Konzepte als eigenständige Entitäten und bildet deren Beziehungen zueinander ab. Google nutzt diese Datenbank, um Suchanfragen zu beantworten. Die Antworten stützen sich dabei nicht mehr nur auf Textübereinstimmungen, sondern auf Fakten über die dahinterliegenden Dinge. Wer als Entität im Knowledge Graph erfasst ist, wird von Google eigenständig erkannt statt nur über einzelne Keywords gefunden.
Google stellte den Knowledge Graph im Mai 2012 vor, mit dem vielzitierten Ziel eines Wechsels von „Strings zu Things“: Google sollte nicht mehr nur Zeichenketten auf Webseiten mit der Suchanfrage abgleichen, sondern verstehen, wonach tatsächlich gesucht wird, und passende Fakten direkt ausspielen. Ein Beispiel macht das greifbar. Sucht ein Nutzer beispielsweise nach „Angela Merkel Geburtsjahr“, greift Google nicht auf einen Textausschnitt einer beliebigen Webseite zurück, sondern auf einen strukturierten Datensatz zur Entität Angela Merkel.
Für SEO markiert diese Verschiebung einen Bruch mit der klassischen Keyword-Logik. Es geht um mehr als Rankings. Wer eine Marke, ein Unternehmen oder eine Person als Entität aufbaut, konkurriert nicht mehr nur um Rankings für Suchbegriffe, sondern um Anerkennung als eigenständiges, vertrauenswürdiges „Ding“ in der Google-Suche. Ein mittelständischer Maschinenbauer aus Baden-Württemberg profitiert davon, wenn Google ihn als eigene Entität mit Attributen führt. So wird er nicht mehr nur über einzelne Produktseiten und Keywords erfasst.
Strukturierte Daten, konsistente Fakten und externe Belege sind die Bausteine. Aus ihnen entsteht diese Anerkennung. Sie bilden die Grundlage für alles, was in den folgenden Abschnitten beschrieben wird. Das reicht von der Entitätsdefinition über die Abgrenzung zum Knowledge Panel bis zur Optimierungsstrategie.
Anders als bei klassischen Rankingfaktoren lässt sich der Status als Entität nicht direkt einsehen oder abfragen. Er zeigt sich nur indirekt. Sichtbar wird er über ein Knowledge Panel, über korrekte Kurzfakten in einer Suchanfrage oder über eine treffsichere Antwort in einer KI-generierten Übersicht. Genau deshalb lohnt es sich, die Mechanik dahinter zu verstehen, statt nur an der Oberfläche einzelner Suchergebnisse zu optimieren.
Was ist eine Entität und warum ist sie das Fundament von Knowledge Graph SEO?
Eine Entität ist ein eindeutig identifizierbares Ding, das Google von anderen Dingen unterscheiden und in Beziehung zu ihnen setzen kann, etwa ein Unternehmen, eine Person, ein Produkt oder ein Ort. Jede Entität existiert im Knowledge Graph als Knoten mit festen Eigenschaften und Verbindungen zu anderen Knoten. Ohne dieses Grundgerüst geht nichts. Knoten, Kanten und Attribute bilden die Basis für Knowledge Graph SEO, weil Google sonst nur Text statt Bedeutung verarbeiten würde.
Drei Bausteine bilden dieses Grundgerüst.
Knoten
Ein Knoten repräsentiert eine einzelne Entität, etwa das Unternehmen „Deutsche Bahn AG“ oder die Person „Karl Lauterbach“. Jeder Knoten erhält eine interne Kennung. Darüber unterscheidet Google ihn von gleichnamigen oder ähnlichen Entitäten. Zwei Unternehmen mit demselben Namen in unterschiedlichen Branchen sind für Google zwei getrennte Knoten, auch wenn sie identisch heißen.
Kanten
Kanten sind die Verbindungen zwischen zwei Knoten, etwa „ist Geschäftsführer von“ oder „hat Hauptsitz in“. Diese Beziehungen liefern Google den Kontext, der eine Entität von einer bloßen Erwähnung abhebt. Ohne Kanten bleibt jede Marke unsichtbar. Eine Marke, die nur isoliert genannt wird, ohne dass Kanten zu anderen Entitäten wie Branchenverbänden, Personen oder Standorten bestehen, bleibt für den Knowledge Graph schwer greifbar.
Attribute
Attribute sind die konkreten Eigenschaften eines Knotens. Beispiele: Gründungsjahr, Adresse, Branche, Produktkategorie. Sie werden aus strukturierten Daten, Wikidata-Einträgen und wiederkehrenden Erwähnungen über verschiedene Quellen hinweg zusammengetragen. Beispiele für die Zuordnung von Entitäten zu Knotentypen:
- Unternehmen: „Otto GmbH & Co KG“ als Organisation mit Attributen wie Branche und Hauptsitz
- Person: „Karl Lauterbach“ als Person mit Attributen wie Funktion und Amtszeit
- Ort: „Hamburger Hafen“ als geografische Entität mit Attributen wie Koordinaten und Zugehörigkeit
- Produkt: ein Softwaretool als Produkt-Entität mit Attributen wie Hersteller und Kategorie
An dieser Stelle würde sich ein einfaches Entity-Relationship-Diagramm anbieten. Es würde einen zentralen Unternehmensknoten mit seinen Kanten zu Personen, Standorten und Wikidata-Attributen visualisieren. In der Praxis lohnt sich ein solches Diagramm auch intern. Wer die eigene Marke einmal als Knoten mit Kanten zu Geschäftsführung, Standort und Produktlinien skizziert, sieht schnell zwei Dinge: welche Verbindungen im Web bereits belegt sind und welche noch fehlen.
Je vollständiger und widerspruchsfreier diese drei Ebenen gefüllt sind, desto eher stuft Google eine Entität als vertrauenswürdig ein, um sie in Suchergebnissen, Wissenskästen und KI-generierten Antworten auszuspielen. Weniger vollständige Profile bleiben außen vor.
Knowledge Graph vs. Knowledge Panel: Der entscheidende Unterschied
Googles Datenbank, der Knowledge Graph, bleibt für Nutzer unsichtbar. Das Knowledge Panel ist dagegen die sichtbare Box, die rechts neben den Suchergebnissen erscheint. Sie zeigt ausgewählte Fakten aus dieser Datenbank an. Wer die beiden Begriffe verwechselt, verfolgt in der Optimierung oft das falsche Ziel: Das eigentliche Ziel ist die Aufnahme in den Knowledge Graph, das Panel folgt daraus, nicht umgekehrt.
Sucht man beispielsweise nach einer bekannten Fluggesellschaft oder einer deutschen Großstadt, erscheint typischerweise ein Knowledge Panel. Es zeigt Logo, Kurzbeschreibung und verwandte Fakten. Diese Anzeige entsteht nur unter zwei Bedingungen: Google muss für die jeweilige Entität ausreichend validierte Daten im Knowledge Graph vorliegen haben, und die Suchintention muss klar entitätsbezogen sein. Nicht jede im Knowledge Graph erfasste Entität erhält also automatisch ein Panel. Viele kleinere Unternehmen sind zwar bereits als Entität erkannt, ohne dass jemals ein sichtbares Panel erscheint.
Die folgende Übersicht fasst den Unterschied zusammen:
| Merkmal | Knowledge Graph | Knowledge Panel |
|---|---|---|
| Was es ist | Interne Datenbank von Entitäten und Beziehungen | Sichtbare Ergebnisbox in der Google-Suche |
| Sichtbarkeit | Nicht direkt einsehbar | Für Nutzer direkt sichtbar |
| Einführung | Mai 2012 | Ergebnis aus dem Knowledge Graph, kein eigenes Startdatum |
| Voraussetzung | Google erkennt ein Ding als eigenständige Entität | Entität ist im Knowledge Graph bereits ausreichend validiert |
| SEO-Ziel | Aufnahme als Entität erreichen | Ist Folge einer starken Entität, nicht direkt steuerbar |
Für die Praxis zählt eines. Wer gezielt auf ein Knowledge Panel hinarbeitet, ohne vorher an der Entität zu arbeiten, optimiert am Symptom statt an der Ursache. Ein aktuelles Suchergebnis mit einem echten Knowledge Panel für eine bekannte Marke zeigt das gut: Kompakt präsentiert Google dort die Attribute eines validierten Knotens, von der Kurzbeschreibung bis zu verwandten Entitäten und Social-Profilen.
Ein Blick in die Google Search Console oder in die eigene Markenrecherche zeigt schnell, ob überhaupt ein Panel existiert. Fehlt es, heißt das nicht viel. Es sagt allein wenig darüber aus, ob die Entität bereits erkannt ist. Kleinere Unternehmen sollten sich deshalb nicht am Panel messen, sondern an den darunterliegenden Signalen aus den folgenden Abschnitten.
Warum Knowledge Graphs jetzt auch für KI-Suchmaschinen entscheidend sind
Ja, KI-Suchmaschinen wie ChatGPT und Perplexity sowie Googles AI Overviews nutzen entitätsbasierte Daten. Sie stützen sich darauf in unterschiedlichem Ausmaß, um Antworten zu erzeugen und Quellen auszuwählen. Der Mechanismus dahinter heißt Grounding. Statt ausschließlich auf Trainingsdaten zu vertrauen, gleichen diese Systeme Anfragen gegen strukturierte Wissensquellen ab, um Fakten zu verankern und Halluzinationen zu reduzieren. Wissensgraphen eignen sich für diesen Abgleich besonders gut. Sie stellen Entitäten, Attribute und Beziehungen in maschinenlesbarer Form bereit statt in unstrukturiertem Fließtext.
Googles AI Overviews greifen direkt auf den Knowledge Graph zurück. Das gilt, wenn Anfragen einen Entitätsbezug haben, etwa nach einem Unternehmen, einer Person oder einem Ort. Ergänzend zieht das System Inhalte von Webseiten heran, die als thematisch autoritativ gelten. Perplexity kombiniert Live-Websuche mit einer Bewertung der Quellenautorität. Seiten mit klaren, widerspruchsfreien Entitätssignalen werden dabei tendenziell leichter als zitierfähig eingestuft als Seiten mit widersprüchlichen oder unvollständigen Angaben. ChatGPT nutzt bei aktivierter Websuche einen ähnlichen Abgleich. Antworten werden mit externen Quellen unterfüttert. Marken, die als konsistente Entität über mehrere Plattformen hinweg auffindbar sind, lassen sich leichter korrekt zuordnen und zitieren als solche, die nur als Textmuster auf der eigenen Website existieren.
Entity Authority ist damit nicht mehr nur ein Nice-to-have für die klassische Google-Suche. Sie ist eine Grundvoraussetzung für Sichtbarkeit in KI-generierten Antworten. Ein Unternehmen, das in Wikidata sauber hinterlegt ist, konsistente sameAs-Verweise pflegt und in unabhängigen Quellen wiederkehrend mit denselben Fakten beschrieben wird, liefert genau die Art von verankerbarem Wissen. KI-Suchmaschinen brauchen genau das für zuverlässige Zitate. Wer dagegen nur über keyword-optimierten Content sichtbar ist, ohne als Entität erkennbar zu sein, bleibt für diese Systeme schwerer greifbar. Das gilt unabhängig davon, wie gut der Text sonst in der klassischen Suche rankt.
Kurz zusammengefasst nutzen die relevantesten Systeme entitätsbasierte Daten wie folgt:
- ChatGPT: gleicht Suchergebnisse mit Entitätssignalen ab, um bei aktivierter Websuche Quellen für Zitate auszuwählen
- Perplexity: kombiniert Live-Suche mit einer Bewertung der Quellenautorität anhand konsistenter Entitätsdaten
- Google AI Overviews: greift bei entitätsbezogenen Anfragen direkt auf den Knowledge Graph zu und ergänzt mit autoritativem Webcontent
Wichtig für die Praxis: Konkrete Marktanteile oder Nutzungszahlen einzelner KI-Suchmaschinen ändern sich schnell, das Prinzip der Entitätsverankerung bleibt jedoch über verschiedene Anbieter und Produktversionen hinweg stabil. Ein Beispiel zeigt das. Fragt jemand ChatGPT nach einer Empfehlung für eine bestimmte Dienstleistung in seiner Region, entscheidet häufig nicht der beste Werbetext über die Auswahl, sondern ob ein Anbieter als klar identifizierbare, mehrfach bestätigte Entität im Web auffindbar ist. Genau deshalb verschiebt sich der Fokus vieler Content- und SEO-Teams derzeit von reiner Keyword-Abdeckung hin zu belastbarer Entity Authority.
Wie wird ein Unternehmen Teil des Google Knowledge Graph?
Ein Unternehmen wird Teil des Google Knowledge Graph, wenn Google seine Existenz und seine Fakten über mehrere unabhängige, autoritative Quellen hinweg bestätigt sieht. Es gibt keinen Antrag. Es gibt keinen Schalter, den man umlegen kann. Stattdessen prüft Google fortlaufend, ob strukturierte Daten, Wikidata- oder Wikipedia-Einträge, Verzeichniseinträge und Erwähnungen im Web dieselbe, widerspruchsfreie Geschichte über ein Unternehmen erzählen.
Folgende Signale erhöhen die Wahrscheinlichkeit, als Google-Entität erkannt zu werden:
- Strukturierte Daten: Organization-Schema auf der eigenen Website mit vollständigen Angaben zu Name, Adresse, Logo und sameAs-Verweisen
- Wikidata- oder Wikipedia-Präsenz: ein gepflegter Wikidata-Eintrag ist für die meisten Unternehmen der realistischere Einstieg, da Wikipedia strenge Relevanzkriterien voraussetzt
- NAP-Konsistenz: identischer Name, identische Adresse und identische Telefonnummer über alle Verzeichnisse, Branchenportale und Social-Profile hinweg
- Autoritative Zitationen: Erwähnungen in Fachmedien, Branchenverzeichnissen wie Handelsregisterauszügen, Verbandsseiten oder etablierten Portalen, auch ohne begleitenden Backlink
Diese vier Signale wirken erst richtig in Kombination. Allein reicht keines. Ein Wikidata-Eintrag ohne begleitendes Schema-Markup liefert Google weniger Bestätigung, als dieselben Fakten, die sich gleichzeitig im Impressum, in einem Branchenverzeichnis und in einem Fachartikel wiederfinden. Google gewichtet die Übereinstimmung über mehrere unabhängige Quellen deutlich höher als die Informationsmenge auf der eigenen Domain.
Regionale Unternehmen unterschätzen dabei oft, wie viele passende Quellen es bereits gibt. Handwerkskammern, IHK-Verzeichnisse, lokale Wirtschaftsportale und Branchenverbände liefern genau die Art von unabhängiger Bestätigung, die Google für die Entitätszuordnung braucht. Trotzdem werden sie selten systematisch gepflegt. Wer diese bestehenden Quellen zuerst konsolidiert, kommt oft schneller voran als mit dem Aufbau komplett neuer Profile.
Checkliste für die Grundvoraussetzungen:
- Organization-Schema mit sameAs-Array implementiert
- Wikidata-Item angelegt oder aktualisiert
- Name, Adresse und Telefonnummer über alle Plattformen identisch
- Mindestens eine autoritative externe Quelle mit korrekten Firmendaten
Sind diese vier Punkte erfüllt, folgt im nächsten Schritt die vertiefende Optimierung, die im folgenden Abschnitt beschrieben wird.
Optimierungsstrategien für Knowledge Graph SEO
Die wirksamste Optimierung für Knowledge Graph SEO kombiniert vier konkrete Mechanismen: schema.org-Markup, sameAs-Verlinkung, NAP-Konsistenz und einen gepflegten Wikidata-Eintrag. Jeder Mechanismus liefert ein anderes Puzzleteil. Erst im Zusammenspiel entsteht die Bestätigung, die für eine sichere Zuordnung nötig ist, denn wer nur einen dieser Bausteine umsetzt, bleibt meist bei einer schwachen, unsicheren Entitätszuordnung stecken.
Schema.org-Markup implementieren
Organization-Schema, oder Person-Schema für Einzelpersonen wie Autoren oder Geschäftsführer, gehört auf die zentrale Entitätsseite, meist die Startseite oder die Über-uns-Seite. Wichtig sind vollständige Angaben zu name, url, logo und legalName, ergänzt um Adresse und Kontaktdaten. Mehr braucht es zunächst nicht. Produkt- und Angebotsseiten profitieren zusätzlich von Product- oder Service-Schema, das die Kernentität mit ihren konkreten Leistungen verknüpft.
sameAs-Verweise setzen
Das sameAs-Property ist die technische Brücke. Es verbindet die eigene Website mit den externen Profilen, die Google zur Validierung heranzieht, etwa im Organization-Schema als Array mit Links zum Wikidata-Item, zu LinkedIn, Crunchbase, Xing und relevanten Branchenverzeichnissen. Jeder zusätzliche, gepflegte sameAs-Link signalisiert Google, dass diese externen Profile dieselbe Entität beschreiben wie die eigene Domain.
NAP-Konsistenz sicherstellen
Name, Adresse und Telefonnummer müssen zeichengenau identisch sein. Das gilt im Impressum genauso wie im Google Business Profile, in Branchenverzeichnissen wie Das Örtliche oder Gelbe Seiten und auf Social-Media-Profilen. Schon kleine Abweichungen wie „GmbH & Co. KG“ gegenüber „GmbH und Co KG“ erzeugen für Google Unsicherheit. Dasselbe gilt für eine veraltete Adresse in einem vergessenen Verzeichniseintrag: Google zweifelt dann, ob es sich um dieselbe Entität handelt.
Wikidata-Eintrag pflegen und erweitern
Ein vollständiges Wikidata-Item enthält offizielle Bezeichnung, Instanz-Typ wie Unternehmen, Person oder Produkt, Gründungsdatum, Standort, offizielle Website und Verweise auf Social-Profile. Das ist die Basis. Anders als Wikipedia verlangt Wikidata keine redaktionelle Relevanzprüfung, weshalb es für die meisten mittelständischen Unternehmen der zugänglichere Einstiegspunkt ist. Jedes Wikidata-Item erhält eine Q-Nummer, die intern zu einem Baustein von Googles Entitätssystem wird.
Umsetzungscheckliste in sinnvoller Reihenfolge:
- Entitätsseite mit vollständigem Organization-Schema und sameAs-Array anlegen
- Wikidata-Item erstellen oder bestehenden Eintrag um fehlende Attribute ergänzen
- NAP-Daten über alle Verzeichnisse und Profile hinweg abgleichen und korrigieren
- Zusätzliche autoritative Erwähnungen in Fachmedien und Branchenverzeichnissen aufbauen
- Strukturierte Daten regelmäßig mit einem Testtool auf Fehler prüfen
Diese Reihenfolge hat sich in der Praxis bewährt. Die Entitätsseite und das Wikidata-Item sind die Referenzpunkte, gegen die alle weiteren Signale abgeglichen werden. Wer zuerst an externen Erwähnungen arbeitet, ohne vorher eine saubere Basis zu haben, verteilt widersprüchliche Informationen, statt eine klare Entität zu stärken.
Für die technische Prüfung eignet sich Googles Rich-Results-Test, mit dem sich kontrollieren lässt, ob das Organization-Schema fehlerfrei ausgelesen wird. Das dauert nur wenige Minuten. Ergänzend lohnt sich ein vierteljährlicher Abgleich aller sameAs-Ziele. Profile werden umbenannt, Verzeichnisse verschwinden, und ein toter sameAs-Link liefert Google dann ein falsches Signal statt gar keines.
Häufige Herausforderungen bei Knowledge Graph SEO und wie Sie sie lösen
Die häufigsten Herausforderungen bei Knowledge Graph SEO sind NAP-Inkonsistenz, doppelte Entitäten und fehlende Wikidata-Einträge. Der Effekt ist derselbe: Sie liefern Google Zweifel an der Eindeutigkeit einer Entität, selbst wenn die eigene Website technisch sauber aufgesetzt ist. Die gute Nachricht: Für jedes dieser Probleme gibt es einen klar umrissenen Lösungsweg.
Problem: NAP-Inkonsistenz
Unterschiedliche Schreibweisen von Name, Adresse oder Telefonnummer über verschiedene Verzeichnisse, Social-Profile und die eigene Website hinweg verwässern das Vertrauen in die Entität.
Lösung: Ein einziges kanonisches Format für Name, Adresse und Telefonnummer festlegen und in einer internen Liste dokumentieren. Danach systematisch jedes Verzeichnis, jedes Profil und jede Gewerbeanmeldung darauf abgleichen und Abweichungen korrigieren.
Problem: Doppelte Entitäten
Filialen, Rebrandings, Fusionen oder einfach mehrfach angelegte Profile führen dazu, dass Google dieselbe Organisation als mehrere getrennte Entitäten führt. Signale zersplittern dann. Erwähnungen und Zitationen verteilen sich, statt sich zu bündeln.
Lösung: Doppelte Verzeichniseinträge zusammenführen oder deaktivieren und im Wikidata-Item auf eine einzige kanonische Entität verweisen. Bei Rebrandings alte Profile klar mit Verweis auf die aktuelle Entität kennzeichnen, statt sie einfach stillzulegen.
Problem: Fehlende Wikidata-Einträge
Ohne Wikidata-Item fehlt eine der wichtigsten strukturierten Quellen, auf die Google beim Abgleich von Entitätsdaten zurückgreift. Besonders betroffen sind Unternehmen ohne eigenen Wikipedia-Artikel.
Lösung: Ein Wikidata-Item mit den Kernattributen anlegen, also Instanz-Typ, Gründungsdatum, Standort, offizielle Website und sameAs-Verweise, und danach regelmäßig pflegen. Das braucht wenig Aufwand. Veraltete oder unvollständige Items wirken oft ähnlich schädlich wie ein ganz fehlender Eintrag.
Wer diese drei Problemfelder systematisch abarbeitet, beseitigt die häufigsten Gründe, warum Entitäten bei Google unscharf oder widersprüchlich bleiben. So entsteht die Grundlage für stabile Sichtbarkeit. Das gilt für Knowledge Panels und für KI-generierte Antworten gleichermaßen.
Ein oft übersehener Stolperstein: das Timing. Unternehmen bauen NAP-Konsistenz und Wikidata-Einträge auf, prüfen aber nach wenigen Wochen schon, ob sich etwas geändert hat. Google validiert Entitätsdaten fortlaufend im Hintergrund, ohne einen sichtbaren Countdown zu bieten. Realistisch ist es, die genannten Maßnahmen umzusetzen, sauber zu dokumentieren und die Wirkung über Monate statt über Tage zu beobachten.
Häufig gestellte Fragen zu Knowledge Graph SEO
Seit wann gibt es den Google Knowledge Graph?
Google führte den Knowledge Graph im Mai 2012 ein, mit dem erklärten Ziel, Suchanfragen anhand von Entitäten statt reiner Textübereinstimmung zu beantworten.
Ist der Knowledge Graph dasselbe wie das Knowledge Panel?
Nein. Der Knowledge Graph ist die interne Datenbank. Das Knowledge Panel ist die sichtbare Ergebnisbox, die daraus gespeist wird. Nicht jede Entität im Knowledge Graph erhält automatisch ein Panel, aber jedes Panel stammt aus dem Knowledge Graph.
Können auch kleine Unternehmen Teil des Knowledge Graph werden?
Ja. Entscheidend ist nicht die Unternehmensgröße, sondern ob dieselben Fakten konsistent über mehrere autoritative Quellen hinweg auffindbar sind, wobei ein gepflegter Wikidata-Eintrag oft der zugänglichste Einstiegspunkt ist, gerade ohne eigenen Wikipedia-Artikel.
Garantiert strukturierte Daten allein die Aufnahme in den Knowledge Graph?
Nein. Schema-Markup ist ein starkes Signal. Es ersetzt aber keine externe Bestätigung. Erst die Kombination aus strukturierten Daten, Wikidata-Eintrag, NAP-Konsistenz und autoritativen Erwähnungen führt zu einer verlässlichen Entitätszuordnung.
Wie lange dauert es, bis eine Entität zuverlässig erkannt wird?
Eine feste Zeitspanne lässt sich nicht seriös nennen. Google kommuniziert keine öffentliche Zeitschiene für Entitätsprüfungen. Realistisch ist aber Folgendes: Unternehmen mit vollständigem Schema-Markup, gepflegtem Wikidata-Eintrag und konsistenten Erwähnungen werden deutlich schneller als Entität greifbar. Wer nur vereinzelte Signale setzt, braucht länger.
Wie nutzen KI-Suchmaschinen den Knowledge Graph?
Google AI Overviews greifen bei entitätsbezogenen Anfragen direkt auf den Knowledge Graph zu. Andere Tools gehen einen Umweg. Tools wie ChatGPT und Perplexity achten ergänzend auf konsistente Entitätssignale im Web, um passende Quellen für ihre Zitate auszuwählen.
Muss ich mich für den Knowledge Graph bei Google bewerben?
Nein, einen offiziellen Bewerbungsprozess gibt es nicht. Ein Antrag reicht also nicht aus. Anfragen über das Google-Feedback-Tool zu einem falschen oder fehlenden Knowledge Panel sind zwar möglich, ersetzen aber nicht den eigentlichen Aufbau der Entität über Schema-Markup, Wikidata und konsistente externe Quellen.
