Ein Knowledge Graph (deutsch: Wissensgraph) speichert Wissen nicht als Text, sondern als Netz aus Entitäten, also eindeutig bestimmbaren Dingen wie Unternehmen, Personen, Produkten oder Orten, und den Beziehungen zwischen ihnen. Für Unternehmen ist das Thema doppelt relevant: intern als Wissensschicht für KI-Anwendungen, extern, weil Google Wissen über Marken seit 2012 genau so organisiert. Ob Ihr Unternehmen in der Google-Suche und in KI-Antworten als klar definierte Entität mit den richtigen Themen verknüpft wird, ist kein Zufall. Es hängt von konsistenten, maschinenlesbaren Signalen ab, und diese Signale lassen sich gezielt aufbauen.
Kurz gesagt
- Ein Wissensgraph verbindet Entitäten über explizite Beziehungen und beschreibt deren Bedeutung über eine Ontologie, ein festgelegtes Vokabular mit Regeln.
- Google hat seinen Knowledge Graph 2012 eingeführt, um Suchanfragen als „Dinge“ statt als Zeichenketten zu verstehen.
- Für Ihre Sichtbarkeit zählt, ob Suchsysteme Ihre Marke eindeutig erkennen und mit Ihren Kernthemen verbinden.
- Dafür braucht es Entitätsseiten, strukturierte Daten, konsistente Angaben und redaktionelle Bestätigung durch Dritte.
- Einen eigenen Unternehmens-Wissensgraphen benötigen Sie dafür nicht. Er lohnt sich vor allem bei stark vernetzten internen Daten.
Inhaltsverzeichnis
- Was ist ein Knowledge Graph?
- Aufbau eines Wissensgraphen: Knoten, Kanten, Tripel
- Wissensgraph, Graphdatenbank und relationale Datenbank
- Googles Knowledge Graph: von Zeichenketten zu Dingen
- Warum Entitäten für Google und KI-Suche zählen
- So wird Ihr Unternehmen als Entität erkennbar
- Wissensgraphen im Unternehmen und GraphRAG
- GEO-Audit: So sehen Suchsysteme Ihre Marke heute
- Unsere Sicht: Entitätsarbeit ist die Grundlage von GEO
- Häufige Fragen zum Knowledge Graph
- Quellen
Was ist ein Knowledge Graph?
Das Positionspapier des KI-Bundesverbands zu Knowledge Graphen beschreibt Wissensgraphen als strukturierte, maschinenlesbare Wissensrepräsentationen: Entitäten sind durch explizite Beziehungen verbunden, ihre Bedeutung wird über Ontologien semantisch festgelegt. IBM fasst es ähnlich: ein Netzwerk realweltlicher Entitäten wie Objekte, Ereignisse, Situationen oder Konzepte samt ihrer Beziehungen, meist gespeichert in einer Graphdatenbank und als Graph visualisiert.
Der entscheidende Unterschied zu einem Dokument: Ein Text sagt einem Menschen, dass Ihr Unternehmen Messtechnik für die Lebensmittelindustrie herstellt. Ein Wissensgraph hält dieselbe Aussage so fest, dass eine Maschine sie ohne Interpretation verarbeiten kann. Sie weiß dann, dass „Messtechnik“ ein Produktbereich ist, „Lebensmittelindustrie“ eine Branche und dass beide über die Beziehung „beliefert“ mit Ihrem Unternehmen verbunden sind.
Zwei Bedeutungen des Begriffs sollten Sie auseinanderhalten:
- Googles Knowledge Graph: die Wissensdatenbank, mit der Google Entitäten in der Suche erkennt und zum Beispiel Infokästen zu Marken, Personen oder Orten befüllt.
- Unternehmens-Wissensgraphen: eigene Graphen, die Firmen über ERP-, CRM- und Dokumentensysteme legen, um internes Wissen für Analysen und KI nutzbar zu machen.
Für Marketingverantwortliche ist meist die erste Bedeutung die wichtigere. Die zweite behandeln wir weiter unten kurz, weil sie erklärt, wie KI-Systeme mit strukturiertem Wissen arbeiten.
Aufbau eines Wissensgraphen: Knoten, Kanten, Tripel
Ein Wissensgraph besteht nach IBM aus Knoten, Kanten und Labels. Knoten stehen für Entitäten wie Personen, Orte oder Objekte, Kanten für die Beziehungen zwischen ihnen, Labels geben beiden einen Typ. Zusätzlich können Eigenschaften Kontext liefern, etwa Name, Standort oder Status einer Firma.
Im verbreiteten RDF-Modell (Resource Description Framework, ein W3C-Standard für vernetzte Daten) wird jede Aussage als Tripel aus Subjekt, Prädikat und Objekt notiert, so beschreibt es auch das KI-Verband-Papier. Subjekt und Objekt werden im Graphen zu Knoten, das Prädikat zur Verbindung.
Ein fiktives Beispiel, wie ein Mittelständler als Entität beschrieben werden kann:
| Subjekt | Prädikat | Objekt |
|---|---|---|
| Beispiel GmbH | ist ein | Unternehmen |
| Beispiel GmbH | hat Sitz in | Oldenburg |
| Beispiel GmbH | bietet an | Industrielle Messtechnik |
| Industrielle Messtechnik | gehört zu | Automatisierungstechnik |
| Dr. Anna Muster | ist Geschäftsführerin von | Beispiel GmbH |
| Beispiel GmbH | wird erwähnt in | Fachartikel in einem Branchenmagazin |
Jede Zeile ist für sich trivial. Wertvoll wird der Graph durch die Verkettung: Wer nach Anbietern für Automatisierungstechnik in Norddeutschland fragt, findet über zwei Sprünge zur Beispiel GmbH, obwohl dieses Wort in keiner einzelnen Aussage steht.
Was eine Ontologie leistet
Eine Ontologie ist das Regelwerk hinter dem Graphen. Sie legt laut KI-Bundesverband formal fest, was Entitäten und Relationen bedeuten, und liefert das gemeinsame Vokabular, über das sich verschiedene Datenquellen zusammenführen lassen. Eine wissenschaftliche Übersicht der Universität Bozen beschreibt Ontologien als konzeptionelle Sicht auf Daten mit Klassenhierarchien, Eigenschaften, Wertebereichen und Schlussfolgerungen. Praktisch heißt das: Wenn die Ontologie sagt, dass jede Geschäftsführerin eine Person ist, kann das System das ableiten, ohne dass es extra gespeichert wird.
Im Web übernimmt das Vokabular von schema.org eine ähnliche Rolle. Es definiert Typen wie Organization, Person oder Product und deren Eigenschaften, die Sie als strukturierte Daten in Ihre Website einbinden können.
Wie man einen Wissensgraphen visualisiert
Die übliche Darstellung ist ein Netzdiagramm: Kreise für Knoten, beschriftete Pfeile für Beziehungen. Graphdatenbanken bringen dafür meist eigene Ansichten mit. Für die Planung im Marketing reicht oft ein Whiteboard: Ihre Marke in die Mitte, darum Produkte, Personen, Standorte, Branchen und die Publikationen, in denen Sie vorkommen. Fehlende Verbindungen sind dabei sofort sichtbar, und genau sie sind Ihre Arbeitsliste.
Wissensgraph, Graphdatenbank und relationale Datenbank
Relationale Datenbanken organisieren Informationen in Tabellen mit Zeilen und Spalten. Sie sind stark bei strukturierten Transaktionsdaten, etwa Bestellungen oder Rechnungen. Wissensgraphen spielen ihre Stärke bei stark vernetzten Daten und Abfragen über mehrere Beziehungsstufen aus.
| Kriterium | Relationale Datenbank | Graphdatenbank | Wissensgraph |
|---|---|---|---|
| Grundstruktur | Tabellen, Zeilen, Spalten | Knoten und Kanten | Knoten und Kanten plus Ontologie |
| Stärke | Transaktionen, feste Schemata | Beziehungsabfragen über viele Stufen | Bedeutung, Integration, Schlussfolgerungen |
| Typische Abfragesprache | SQL | openCypher oder SPARQL | meist SPARQL bei RDF |
| Typischer Einsatz | ERP, Buchhaltung, Shop-Backend | Netzwerk- und Betrugsanalysen | Wissensmanagement, Suche, KI-Kontext |
Graphdatenbanken lassen sich nach Esri als RDF-Graphen mit SPARQL oder als Eigenschaftsgraphen mit openCypher umsetzen. Esri weist auch darauf hin, dass Graphmodell und Wissensgraph nicht dasselbe sind: Erst die Definition und Bedeutung der dargestellten Dinge macht aus einer Graphstruktur einen Wissensgraphen.
Ein Wissensgraph ersetzt Ihre bestehenden Systeme nicht zwangsläufig. Die Forschung zu Virtual Knowledge Graphs zeigt, dass ein Graph als virtuelle Integrationsschicht über vorhandenen relationalen Quellen laufen kann, ohne alle Daten physisch zu migrieren.
Googles Knowledge Graph: von Zeichenketten zu Dingen
Google hat seinen Knowledge Graph am 16. Mai 2012 im offiziellen Blog vorgestellt, unter dem Leitsatz „things, not strings“. Die Suchmaschine sollte nicht mehr nur Wortfolgen abgleichen, sondern verstehen, welches reale Ding gemeint ist. Zum Start umfasste der Graph laut Google mehr als 500 Millionen Objekte und mehr als 3,5 Milliarden Fakten und Beziehungen.
Google nannte damals drei Ziele, die bis heute erklären, warum Entitäten für Marken wichtig sind:
- Mehrdeutigkeit auflösen: Ist mit „Jaguar“ das Tier oder der Autohersteller gemeint? Bei Firmennamen, die zugleich Alltagswörter oder Namen anderer Firmen sind, entscheidet diese Zuordnung darüber, ob Sie überhaupt gefunden werden.
- Zusammenfassen: Die wichtigsten Fakten zu einer Entität erscheinen gebündelt, in der Suche heute als Knowledge Panel, der Infokasten neben oder über den Ergebnissen.
- Beziehungen verstehen: Die Suche kann von einer Entität zu verwandten Entitäten führen, etwa vom Unternehmen zu Gründern, Produkten oder Standorten.
Das Wissen stammt aus vielen Quellen. Google nannte zum Start öffentliche Wissensbestände wie Wikipedia und Freebase. Für Sie als Marke folgt daraus: Was Google über Ihr Unternehmen „weiß“, setzt sich aus Ihrer eigenen Website und dem zusammen, was andere Quellen über Sie veröffentlichen. Lesen Sie Begriffe wie Entität, Knowledge Panel oder strukturierte Daten bei Bedarf in unserem SEO-Glossar nach.
Warum Entitäten für Google und KI-Suche zählen
Gesichert ist: Wissensgraphen liefern KI-Anwendungen eine strukturierte, kontrollierbare Wissensbasis, so der KI-Bundesverband. Beim Ansatz GraphRAG (Retrieval-Augmented Generation, also Antworten, die auf nachgeschlagenem Wissen beruhen) teilt sich die Arbeit laut Fraunhofer IAO so auf: Das Sprachmodell versteht die Frage und formuliert die Antwort, der Graph liefert Zusammenhänge und deren Herkunft.
Unsere Einschätzung daraus, ausdrücklich als Empfehlung und nicht als belegter Mechanismus einzelner Anbieter: Systeme wie ChatGPT, Gemini, Perplexity und Google AI Overviews arbeiten unterschiedlich, doch alle müssen erkennen, wer gemeint ist und wofür diese Entität steht. Eine Marke, die überall gleich benannt, klar einem Thema zugeordnet und von unabhängigen Quellen bestätigt wird, ist für solche Systeme leichter einzuordnen als eine Marke mit widersprüchlichen Angaben. Garantien auf Erwähnungen gibt es nicht, aber Sie verbessern die Voraussetzungen.
Für B2B-Unternehmen und SaaS-Anbieter mit erklärungsbedürftigen Produkten ist das besonders relevant. Wer etwa nach „Anbieter für Predictive Maintenance im Maschinenbau“ fragt, bekommt in einer KI-Antwort wenige Namen statt zehn blauer Links. Wie sich die Optimierung für diese Antworten von klassischem SEO unterscheidet, erklären wir im Beitrag GEO vs. SEO.

So wird Ihr Unternehmen als Entität erkennbar
Die folgenden Schritte bauen aufeinander auf. Sie lassen sich intern starten, kosten aber Zeit und Erfahrung, vor allem bei der externen Bestätigung.
- Entitäts-Inventar erstellen. Halten Sie fest, welche Entitäten zu Ihrer Marke gehören: Firmenname mit Rechtsform, Marken, Produkte, Geschäftsführung, Fachexperten, Standorte, Branchen. Typischer Fehler: drei Schreibweisen des Firmennamens auf Website, LinkedIn und Pressemitteilungen.
- Entitätsseiten auf der Website anlegen. Jede wichtige Entität braucht eine eigene, eindeutige Seite: Über-uns-Seite, Leistungs- oder Produktseiten, Profile der Experten. Was nicht klar auf einer URL beschrieben ist, lässt sich schwer zuordnen.
- Strukturierte Daten einbinden. Mit JSON-LD nach schema.org beschreiben Sie Organisation, Logo, Kontaktdaten, Personen und Produkte maschinenlesbar. Über die Eigenschaft sameAs verweisen Sie auf offizielle Profile derselben Entität. Fehlerquelle: Markup, das nicht mit dem sichtbaren Seiteninhalt übereinstimmt. Die technische Umsetzung gehört bei uns zur KI-SEO-Betreuung.
- Themenzuordnung durch Inhalte stärken. Die Verbindung „Marke bietet Thema X“ entsteht durch Inhalte, die X gründlich behandeln, untereinander verlinkt und von erkennbaren Autoren. Redaktionelle SEO-Texte und Fachbeiträge im Content Marketing sind dafür das Werkzeug.
- Externe Bestätigung aufbauen. Ein Graph glaubt nicht nur Ihrer eigenen Website. Erwähnungen und Links in Fachmedien, Branchenportalen und redaktionellen Beiträgen verknüpfen Ihre Marke von außen mit Ihren Themen. Hier wirken Digital PR und redaktionelles Linkbuilding mit themenrelevanten Publishern zusammen. Häufiger Fehler: Links von themenfremden Seiten, die keine inhaltliche Verbindung herstellen.
- Sichtbarkeit prüfen und nachsteuern. Prüfen Sie regelmäßig, was die Google-Suche und KI-Systeme über Ihre Marke ausgeben: Stimmen Name, Angebot, Standort, Branche? Abweichungen zeigen, wo Signale fehlen oder sich widersprechen. Ein strukturiertes GEO-Audit macht diesen Abgleich systematisch.
Wissensgraphen im Unternehmen und GraphRAG
Neben der Außenwirkung nutzen Unternehmen Wissensgraphen intern. Laut KI-Bundesverband dienen sie als gemeinsame Wissensschicht über ERP-, CRM- und Dokumentensystemen, mit Anwendungen in Chatbots, Lieferketten, Risikomanagement, Compliance und Kundenservice. Der Verband betont zugleich, dass der Erfolg Ressourcen und kontinuierliche Pflege erfordert und dass ein Wissensgraph bei kaum vernetzten Daten nicht die richtige Lösung ist.
Das Fraunhofer IAO beschreibt Graphen für Anlagen, Bauteile, Fehler, Maßnahmen und Personen. Als Vorteile nennt das Institut geringere Abhängigkeit von Einzelpersonen, übertragbares Erfahrungswissen und einen Wissensbestand, der mit jeder neuen Störung und Lösung wächst. Im GraphRAG-Einsatz kommt Nachvollziehbarkeit hinzu, weil der Graph zeigt, woher ein Zusammenhang stammt.
Für Ihre Marketingstrategie ist der interne Graph ein Spiegel: Dasselbe Prinzip, eindeutige Entitäten mit belegten Beziehungen, entscheidet auch darüber, wie externe Suchsysteme Ihr Unternehmen einordnen. Den Unterschied macht, wer die Daten pflegt. Intern sind das Ihre Teams, extern das gesamte Web.
GEO-Audit: So sehen Suchsysteme Ihre Marke heute
Bevor Sie Maßnahmen planen, lohnt der Blick auf den Ist-Zustand. Unser GEO-Audit für KI-Sichtbarkeit bewertet, wie Ihre Marke in Google und KI-Suchsystemen wie ChatGPT, Gemini, Perplexity und Google AI Overviews auffindbar ist. Das Audit Lokal kostet 399 € einmalig, das Audit KMU ab 899 € einmalig.

Wenn Sie die Umsetzung dauerhaft begleiten lassen möchten, finden Sie die monatlichen Pakete von Lokal bis Individuell auf unserer Preisübersicht.
Unsere Sicht: Entitätsarbeit ist die Grundlage von GEO
Viele Unternehmen behandeln SEO noch als Arbeit an Keywords und einzelnen Seiten. Der Knowledge Graph zeigt seit 2012, dass Suchsysteme in Dingen und Beziehungen denken. Mit KI-Suche wird diese Logik noch wichtiger, denn eine generierte Antwort nennt wenige Anbieter, und genannt wird, wer eindeutig erkennbar und thematisch klar zugeordnet ist.
Deshalb verbinden wir technische SEO, strukturierte Daten, redaktionelle Inhalte, themenrelevante Backlinks und Digital PR in einer Strategie. Jede dieser Maßnahmen ist für sich sinnvoll. Ihre volle Wirkung entfalten sie erst zusammen, weil sie dieselbe Botschaft an Suchsysteme senden: wer Sie sind, was Sie anbieten und wer das bestätigt.
Rankings oder KI-Erwähnungen kann niemand garantieren. Was wir leisten können, ist eine datenbasierte, nachvollziehbare Strategie, die die Voraussetzungen dafür systematisch verbessert, mit persönlicher Betreuung und transparenten Prozessen. Mehr dazu lesen Sie auf unserer Seite zur GEO-Agentur.
RisinG Linkjuice
Häufige Fragen zum Knowledge Graph
Kann man sein Unternehmen in Googles Knowledge Graph eintragen?
Ein Formular zur Aufnahme gibt es nicht. Google stellt Wissen über Entitäten aus verschiedenen Quellen zusammen, darunter Ihre Website und Veröffentlichungen Dritter. Sie beeinflussen das Ergebnis über konsistente Angaben, strukturierte Daten und redaktionelle Erwähnungen in relevanten Medien.
Was ist der Unterschied zwischen Knowledge Graph und Knowledge Panel?
Der Knowledge Graph ist die Wissensdatenbank im Hintergrund. Das Knowledge Panel ist der sichtbare Infokasten in den Suchergebnissen, der Fakten zu einer Entität aus diesem Graphen zusammenfasst. Ein Panel setzt also voraus, dass Google Ihre Marke als Entität erkannt hat.
Braucht ein Mittelständler einen eigenen Wissensgraphen?
Für die Sichtbarkeit in Google und KI-Suche nicht. Ein eigener Unternehmens-Wissensgraph lohnt sich laut KI-Bundesverband vor allem bei stark vernetzten Daten und erfordert dauerhafte Pflege. Für Ihre Außenwirkung zählen Entitätsseiten, strukturierte Daten und externe Bestätigung.
Wie schnell wirkt Entitätsoptimierung?
Dafür gibt es keinen festen Zeitraum, weil Suchsysteme Quellen in eigenem Rhythmus erfassen und neu bewerten. Technische Korrekturen wie strukturierte Daten sind schnell umgesetzt, der Aufbau redaktioneller Erwähnungen ist ein fortlaufender Prozess. Planen Sie Entitätsarbeit deshalb als Teil Ihrer laufenden SEO- und GEO-Strategie.
Hilft ein Knowledge Graph auch bei ChatGPT und Perplexity?
Nicht jedes KI-System greift auf Googles Knowledge Graph zurück, doch auch diese Systeme müssen Entitäten und Zusammenhänge erkennen. Klare, konsistente und von Dritten bestätigte Informationen über Ihre Marke erleichtern ihnen die Einordnung. Eine Garantie auf Nennung gibt es dabei nicht.
Quellen
- Google: Introducing the Knowledge Graph: things, not strings (2012)
- KI-Bundesverband: Positionspapier der AG Knowledge Graph (2026)
- Fraunhofer IAO: Wissensgraph statt Dokumentensuche
- Xiao et al.: Virtual Knowledge Graphs: An Overview of Systems and Use Cases (2019)
- IBM: Was ist ein Wissensgraph?
- Esri Deutschland: Knowledge Graphen in ArcGIS
