Knowledge Graph: Definition, Google Knowledge Panel und KI-Suche

Beispiel aus der Praxis

Angenommen, eine Entwicklerin heißt genauso wie eine bekannte Sportlerin. Fragt jemand nach ihrem Namen, muss eine Suchmaschine entscheiden, welche Person gemeint ist. Ein Knowledge Graph löst das über Entitäten: Die Entwicklerin ist mit ihrem Wohnort, ihrer Website, ihrem GitHub-Profil und ihren Fachthemen verbunden, die Sportlerin mit ihrem Verein und ihren Wettkämpfen.

Was die Entwicklerin tun kann, um richtig zugeordnet zu werden: auf der eigenen Website eine klare Über-mich-Seite anlegen, sie mit strukturierten Daten vom Typ Person auszeichnen und per sameAs auf die eigenen Profile verweisen. Wichtig ist, dass Name, Beruf und Ort überall gleich lauten. Widersprüchliche Angaben machen es schwerer, Seiten derselben Entität zuzuordnen.

Ein verwandter Ansatz ist die Grounding Page, die der Grounding Page Generator erzeugt: eine Seite mit von einem Menschen bestätigten Fakten zu einer Entität, als HTML mit JSON-LD.

Wie ist ein Knowledge Graph aufgebaut?

Ein Knowledge Graph besteht aus Knoten und Kanten. Die Knoten sind Entitäten, also eindeutig identifizierbare Dinge wie eine Person, eine Stadt oder ein Produkt. Die Kanten sind Beziehungen, etwa „arbeitet bei“, „liegt in“ oder „wurde entwickelt von“. In einem verbreiteten Überblicksartikel beschreiben Hogan und Kollegen einen Knowledge Graph als Graphen aus Daten, der Wissen über die reale Welt sammelt und vermittelt; Knoten stehen für Entitäten, Kanten für Beziehungen zwischen ihnen (Hogan et al., 2021).

Jede Entität hat eine eindeutige Kennung. Dadurch lassen sich Mehrdeutigkeiten auflösen: „Jaguar“ als Tier und „Jaguar“ als Automarke sind zwei verschiedene Knoten mit unterschiedlichen Beziehungen.

Was ist der Google Knowledge Graph?

Google hat seinen Knowledge Graph am 16. Mai 2012 vorgestellt. Das Motto lautete „things, not strings“: Die Suche sollte Dinge und ihre Beziehungen verstehen, statt nur Zeichenketten abzugleichen. Zum Start umfasste der Graph laut Google über 500 Millionen Objekte und mehr als 3,5 Milliarden Fakten und Beziehungen (Google, 2012). Im Mai 2020 nannte Google über 500 Milliarden Fakten zu rund fünf Milliarden Entitäten (Google, 2020).

Die Daten stammen laut Google aus Hunderten Webquellen, offenen und lizenzierten Datenbanken sowie aus Angaben von Inhaberinnen und Inhabern, etwa über Auszeichnungen auf Websites. Wikipedia ist eine häufig genannte, aber nicht die einzige Quelle (Google, 2020).

Für Entwickler gab es eine Knowledge Graph Search API, die Entitäten als JSON-LD zurückgibt. Google führt sie laut Dokumentation in Cloud Enterprise Knowledge Graph über und rät neuen Nutzern zu diesem Produkt (Google for Developers, Stand: Oktober 2026).

Was ist der Unterschied zwischen Knowledge Graph und Knowledge Panel?

Laut Google-Hilfe erzeugt die Suche Knowledge Panels automatisch, wenn im offenen Web genug Informationen vorhanden sind. Offizielle Vertreter einer Entität können ein Panel beanspruchen und Änderungen vorschlagen; Unternehmen nutzen dafür ihr Unternehmensprofil (Google-Hilfe, Stand: Oktober 2026).

Wie hängen strukturierte Daten und Knowledge Graph zusammen?

Strukturierte Daten nach schema.org beschreiben Entitäten maschinenlesbar. Mit dem Typ Organization kann eine Website Google laut Search Central helfen, die Organisation zu erkennen und von ähnlichen zu unterscheiden. Die Eigenschaft sameAs verweist auf andere Seiten mit Informationen zur selben Organisation, etwa Profile in sozialen Netzwerken (Google Search Central).

Eine Garantie gibt es nicht. Google schreibt ausdrücklich, dass Funktionen, die strukturierte Daten nutzen, nicht zwingend in den Ergebnissen erscheinen. Strukturierte Daten sind ein Hinweis, kein Eintrag in den Knowledge Graph.

Wie wird man als Entität im Knowledge Graph erkannt?

Einen Eintrag im Knowledge Graph kann man nicht beantragen. Google sammelt Fakten laut eigener Darstellung automatisch aus Webquellen, Datenbanken und Angaben von Inhaberinnen und Inhabern, und ein Knowledge Panel entsteht erst, wenn genug Informationen vorliegen (Google-Hilfe, Stand: Oktober 2026). Beeinflussen lässt sich nur, welche Informationen verfügbar sind und wie eindeutig sie sind.

Praktisch heißt das: Name, Rolle, Ort und Website sollten auf der eigenen Seite und in Profilen übereinstimmen. Eine Über-mich- oder Über-uns-Seite fasst diese Angaben zusammen, strukturierte Daten machen sie maschinenlesbar, und sameAs verbindet die eigenen Profile miteinander. Für Organisationen kann die Eigenschaft logo laut Google beeinflussen, welches Bild im Knowledge Panel erscheint (Google Search Central).

Existiert bereits ein Panel, lässt es sich über eine Verifizierung beanspruchen. Danach können Berechtigte Änderungen vorschlagen. Fehler kann jede Person über die Feedback-Funktion am Panel melden; Google prüft diese Meldungen, sagt aber selbst, dass die automatischen Systeme nicht fehlerfrei sind (Google, 2020).

Welche Rolle spielt der Knowledge Graph in der KI-Suche?

Sprachmodelle speichern Wissen nicht als Graphen, sondern in ihren Gewichten. Das macht sie anfällig für erfundene Fakten, siehe KI-Halluzination. Knowledge Graphs bieten dagegen überprüfbare, einzeln korrigierbare Fakten. Deshalb werden beide kombiniert.

Ein Beispiel ist GraphRAG. Dabei baut ein Sprachmodell aus Dokumenten einen Graphen aus Entitäten auf, fasst zusammenhängende Gruppen vorab zusammen und nutzt diese Zusammenfassungen, um auch Fragen zu beantworten, die den ganzen Dokumentbestand betreffen (Edge et al., 2024). Das ergänzt klassisches RAG, das einzelne Textabschnitte per Ähnlichkeitssuche findet.

Für die Google-Suche gilt: Laut dem Leitfaden zu generativen KI-Funktionen braucht es für den KI-Modus und die AI Overviews keine besondere schema.org-Auszeichnung (Google Search Central, Stand 10. Juli 2026). Wer als Entität eindeutig erkennbar ist, mit einheitlichen Angaben auf der eigenen Website und in Drittquellen, schafft dennoch eine gute Grundlage für KI-Sichtbarkeit.