Entity

Eine Entity ist eine eindeutig identifizierbare Einheit – eine Person, Organisation, ein Produkt oder ein Konzept –, die ein Wissenssystem von ähnlichen Einheiten unterscheidet und mit Attributen sowie Beziehungen verknüpft. Large Language Models (LLMs) und Answer Engines verarbeiten Informationen nicht als isolierte Keywords, sondern als Netzwerk von Entities: Eine Entity besitzt eine eindeutige Identität, Eigenschaften und semantische Beziehungen zu anderen Entities.

Im Kontext der Answer Engine Optimization (AEO) bestimmt die Klarheit und Konsistenz, mit der eine Entity im Web beschrieben wird, ob Answer Engines diese Entity erkennen, korrekt einordnen und in generierten Antworten zuverlässig zitieren. Eine schlecht definierte Entity erzeugt Halluzinationen; eine klar strukturierte Entity erhöht die Zitierrate messbar.

Was ist eine Entity und wie unterscheidet sie sich von einem Keyword?

Eine Entity ist ein benanntes, eindeutiges Objekt in einem Wissenssystem. Ein Keyword ist eine Zeichenfolge ohne inhärente Bedeutung – dasselbe Wort kann mehrere Entities bezeichnen. Das Wort „Apple" ist ein Keyword, das sowohl die Technologiefirma Apple Inc. als auch die Obstsorte Apfel referenzieren kann. Eine Entity löst diese Mehrdeutigkeit auf: Apple Inc. ist eine spezifische, eindeutig identifizierbare Entity mit Gründungsjahr, Hauptsitz und Produktportfolio.

Knowledge Graphs wie der von Google speichern Entities als Knoten und Beziehungen als Kanten. Jede Entity erhält eine eindeutige Kennung (Entity ID), über die alle Aussagen zu dieser Entity zusammengeführt werden. Answer Engines greifen auf diese Strukturen zurück, um Anfragen kontextbezogen zu beantworten. Wenn eine Nutzerin fragt: „Wann wurde HubSpot gegründet?", identifiziert die Answer Engine HubSpot als Entity, sucht das Attribut „Gründungsjahr" und gibt 2006 aus.

Für Marketingverantwortliche bedeutet der Unterschied zwischen Keyword und Entity: Suchmaschinenoptimierung (SEO) optimiert auf Zeichenfolgen, Entity Optimization optimiert auf Bedeutungseinheiten. Da Answer Engines primär entitätsbasiert arbeiten, verliert reine Keyword-Dichte gegenüber klarer Entity-Beschreibung an Relevanz.

Ressourcen:

Wie erkennen Answer Engines Entities?

Answer Engines erkennen Entities durch drei Mechanismen: Named Entity Recognition (NER), strukturierte Daten und Coreference Resolution. Die Named Entity Recognition ist ein Teilbereich der Verarbeitung natürlicher Sprache (Natural Language Processing, NLP) und identifiziert benannte Entitäten im Fließtext – Personen, Orte, Organisationen, Produkte. Die Qualität dieser Erkennung hängt davon ab, wie konsistent eine Entity im Content benannt wird.

Strukturierte Daten im Format JSON-LD ergänzen die automatische Erkennung durch explizite Maschinenlesbarkeit. Schema-Typen wie Organization, Person, Product oder DefinedTerm liefern der Answer Engine unzweideutige Entity-Beschreibungen, die keine Interpretation erfordern. Inkonsistente Produktnamen, wechselnde Bezeichnungen oder fehlende Attribute erhöhen das Risiko, dass eine Answer Engine eine Entity falsch einordnet oder Halluzinationen produziert.

Coreference Resolution verknüpft Pronomen und Kurzformen mit der referenzierten Entity. Wenn ein Text „HubSpot" einführt und danach von „dem Unternehmen" spricht, schließt die Answer Engine die Referenz. Für die AEO-Praxis empfiehlt sich daher, die vollständige Entity-Bezeichnung in den ersten 270 bis 370 Zeichen jedes Abschnitts explizit zu nennen, anstatt auf Pronomen oder Abkürzungen zu vertrauen.

Ressourcen:

Welche Typen von Entities gibt es und warum sind sie für AEO relevant?

Entities lassen sich nach dem Schema.org-Vokabular in übergeordnete Typen einteilen. Die häufigsten AEO-relevanten Entity-Typen sind: Person (Autorinnen, Expertinnen, Gründer), Organization (Unternehmen, Verbände), Product (Software, physische Produkte), Place (Standorte), Event (Veranstaltungen), Concept (definierte Fachbegriffe wie AEO selbst) und CreativeWork (Inhalte, Publikationen).

Für Unternehmen im B2B-Marketing sind Organization- und Product-Entities besonders kritisch. Eine Answer Engine, die ein Produkt als Entity korrekt erfasst – inklusive Kategorie, Funktion und Abgrenzung zu Wettbewerbern –, kann gezielte Kaufanfragen korrekt beantworten. Eine falsch zugeordnete Product-Entity führt dazu, dass die Answer Engine Produktmerkmale vermischt oder einem falschen Unternehmen zuschreibt.

Concept-Entities spielen im Glossar- und Wissensbereich eine wichtige Rolle. Wenn ein Fachbegriff wie „Answer Engine Optimization" als eigenständige Entity im Wissensgraph verankert ist, werden Inhalte, die diesen Begriff definieren und erklären, als primäre Quellen für diesen Concept eingestuft. Das erhöht die Wahrscheinlichkeit, in Definitionen und Erklärungsanfragen zitiert zu werden.

Ressourcen:

Wie beeinflussen Entities den Knowledge Graph?

Ein Knowledge Graph speichert Entities als Knoten und die Beziehungen zwischen ihnen als gerichtete Kanten. Das Tripel-Format „Subjekt – Prädikat – Objekt" bildet die Grundstruktur: „HubSpot – hat Hauptsitz in – Cambridge, MA". Je mehr konsistente Tripel zu einer Entity aus vertrauenswürdigen Quellen im Knowledge Graph vorhanden sind, desto stärker ist die Entity-Repräsentation und desto zuverlässiger werden Anfragen zu dieser Entity beantwortet.

Answer Engines kombinieren Knowledge-Graph-Daten mit aktuellen Web-Crawls. Informationen aus strukturierten Daten (Schema.org), Wikipedia-ähnlichen Autoritätsquellen und konsistentem Brand-Messaging auf der eigenen Website summieren sich zu einem kohärenten Entity-Profil. Widersprüchliche Informationen – etwa unterschiedliche Gründungsdaten auf verschiedenen Seiten – schwächen die Entity-Repräsentation und erhöhen das Halluzinationsrisiko.

Für die AEO-Praxis empfiehlt es sich, eine Single Source of Truth für alle Entity-Attribute zu definieren: vollständiger Unternehmensname, Gründungsjahr, Produktkategorien, Hauptsitz. Diese Angaben sollten auf der eigenen Website, in Pressetexten und in strukturierten Daten identisch formuliert sein, damit der Knowledge Graph ein konsistentes Bild der Entity aufbaut.

Ressourcen:

Wie messen Marketingverantwortliche die Entity-Sichtbarkeit?

Entity-Sichtbarkeit lässt sich nicht direkt über klassische SEO-Metriken messen, da Answer Engines keine stabilen Rankings ausweisen. Aussagekräftige Indikatoren sind die Zitierrate (Citation Rate): wie häufig eine Marken- oder Produkt-Entity in KI-generierten Antworten auf relevante Prompts erscheint, sowie das Sentiment dieser Nennungen. Eine hohe Zitierrate bei positivem Sentiment signalisiert eine starke Entity-Repräsentation.

Ergänzend zeigt der KI-Traffic – direkte Zugriffe aus Answer Engine-Plattformen wie ChatGPT, Perplexity oder Google AI Mode –, ob die Entity-Sichtbarkeit tatsächlich Nutzende auf die eigene Website lenkt. Da die Mehrheit der KI-Antworten keinen Klick erzeugt (Zero-Click), ist der KI-Traffic nur ein Teilindikator der Gesamtsichtbarkeit.

Spezialisierte AEO-Tools ermöglichen systematisches Entity-Tracking: Sie definieren ein Prompt-Set mit für die eigene Marke relevanten Anfragen und überwachen regelmäßig, ob und wie die Entity in den Antworten erscheint. Der HubSpot AEO Grader bietet eine erste Standortbestimmung, wie Answer Engines die eigene Marken-Entity wahrnehmen.

Ressourcen:

Welche praktischen Maßnahmen stärken die Entity-Repräsentation?

Konsistenz ist die wichtigste Maßnahme: Dieselbe Entity immer mit demselben vollständigen Namen bezeichnen – in Fließtexten, Meta-Daten, strukturierten Daten und in Pressemitteilungen. Abkürzungen oder Marketing-Beinamen sollten nicht die primäre Bezeichnung ersetzen, sondern nur ergänzend auftreten.

Strukturierte Daten im JSON-LD-Format verankern Entities explizit. Für Unternehmensseiten empfiehlt sich das Schema Organization mit Attributen wie name, url, foundingDate, sameAs (Verlinkung auf Wikipedia, Wikidata, LinkedIn). Für Produkte bietet sich Schema Product mit SKU, description und Kategorie an. Diese Auszeichnungen machen die Entity für KI-Crawler eindeutig identifizierbar.

Externe Erwähnungen auf Drittseiten – Fachmedien, Branchenberichte, Verzeichnisse – stärken die Entity-Repräsentation im Knowledge Graph. Je mehr vertrauenswürdige Quellen eine Entity mit denselben Attributen beschreiben, desto kohärenter wird das Entity-Profil. Digitale PR und Thought-Leadership-Inhalte sind daher direkte Entity-Optimierungsmaßnahmen.

Ressourcen:

Die wichtigsten Erkenntnisse: Entity

Eine Entity ist eine eindeutig identifizierbare Einheit, die Answer Engines von ähnlichen Einheiten unterscheiden und mit Attributen sowie Beziehungen verknüpfen. Im Gegensatz zu Keywords besitzen Entities eine inhärente Bedeutung und einen Platz in einem Wissensgraphen. Answer Engines erkennen Entities durch Named Entity Recognition, strukturierte Daten und Coreference Resolution. Für die AEO-Praxis gilt: Konsistente Benennung, vollständiges Schema-Markup und externe Erwähnungen auf Autoritätsseiten stärken die Entity-Repräsentation und erhöhen die Wahrscheinlichkeit, in KI-generierten Antworten korrekt zitiert zu werden. Widersprüchliche Attributangaben erhöhen das Halluzinationsrisiko.

Häufige Fragen zu Entity

Was ist der Unterschied zwischen einer Entity und einem Keyword?

Ein Keyword ist eine Zeichenfolge ohne festgelegte Bedeutung – dasselbe Wort kann verschiedene Dinge bezeichnen. Eine Entity ist eine eindeutige, identifizierbare Einheit mit Eigenschaften und Beziehungen in einem Wissenssystem. Das Keyword „Apple" ist mehrdeutig; die Entity Apple Inc. ist eine spezifische Organisation mit Gründungsdatum, Hauptsitz und Produktportfolio. Answer Engines arbeiten entitätsbasiert: Sie beantworten Anfragen, indem sie Entities identifizieren und ihre Attribute abrufen, nicht indem sie nach Keyword-Vorkommen suchen. Für AEO bedeutet das, dass klare Entity-Definitionen wichtiger sind als Keyword-Dichte.

Wie erkenne ich, ob meine Marke als Entity im Knowledge Graph erfasst ist?

Eine erste Prüfung erfolgt über die Google Knowledge Panel-Suche: Erscheint beim Suchen nach dem Markennamen ein Knowledge Panel mit strukturierten Informationen rechts neben den Suchergebnissen, ist die Marke als Entity erfasst. Ergänzend prüft der HubSpot AEO Grader, wie ChatGPT, Perplexity und andere Answer Engines die eigene Marke beschreiben. Abweichungen zwischen dem Knowledge Panel und den KI-Antworten weisen auf inkonsistente Entity-Informationen hin, die bereinigt werden sollten.

Warum produzieren Answer Engines Halluzinationen über Entities?

Answer Engines halluzinieren Entity-Attribute, wenn die verfügbaren Trainingsdaten und Web-Crawls widersprüchliche oder lückenhafte Informationen zu einer Entity enthalten. Eine KI füllt Datenlücken durch Wahrscheinlichkeitsberechnungen – sie kombiniert Attribute ähnlicher Entities zu einer neuen, oft falschen Aussage. Inkonsistente Produktnamen, veraltete Angaben in Archiv-Blogbeiträgen oder fehlende strukturierte Daten sind typische Auslöser. Die Lösung liegt in einer konsistenten, vollständigen Entity-Beschreibung über alle relevanten Kanäle hinweg.

Welche Schema.org-Typen sind für Entity-Markup am relevantesten?

Die wichtigsten Schema.org-Typen für Entity-Markup sind Organization (für Unternehmen und Verbände), Person (für Expertinnen und Experten), Product (für Produkte und Software-Lösungen), DefinedTerm (für Fachbegriffe in Glossaren) und LocalBusiness (für Unternehmen mit physischen Standorten). Jeder Typ besitzt spezifische Pflichtattribute: Organization erfordert mindestens name und url, Person mindestens name und jobTitle, Product mindestens name und description. Die inLanguage-Angabe sollte für deutschsprachige Inhalte stets „de-DE" lauten.

Wie hängen Entities und Internal Linking zusammen?

Internal Linking verbindet Seiten, die dieselbe Entity aus unterschiedlichen Perspektiven behandeln, und signalisiert Answer Engines, welche Seite als primäre Informationsquelle für diese Entity gilt. Wenn eine Unternehmenswebsite die Entity „Entity Optimization" in einem Glossareintrag definiert, in einem Blog-Beitrag anwendet und auf einer Produktseite erwähnt, formen die internen Links ein semantisches Netz um diese Entity. Answer Engines werten dieses Netz als Autoritätssignal: Eine Entity, die konsistent und aus verschiedenen Blickwinkeln beschrieben wird, erhält höhere Relevanzbewertungen.

Müssen kleine Unternehmen Entity-Optimierung betreiben?

Entity-Optimierung ist für Unternehmen jeder Größe relevant, weil Answer Engines Suchanfragen unabhängig von der Unternehmensgröße entitätsbasiert verarbeiten. Kleine Unternehmen profitieren besonders, weil ihre Entity-Repräsentation oft lückenhafter ist als die etablierter Marken. Grundmaßnahmen wie konsistentes Schema-Markup, ein vollständiges Google Business Profile und konsistente Bezeichnungen in allen Online-Verzeichnissen sind mit geringem Aufwand umsetzbar und stärken die Entity-Sichtbarkeit messbar.

Verwandte Konzepte

Entity Optimization

Der Prozess, eine Entity gezielt so zu beschreiben, dass Answer Engines sie korrekt erkennen, einordnen und zitieren.

Knowledge Graph

Wissensgraph, der Entities als Knoten und ihre Beziehungen als Kanten speichert – die Grundlage für entitätsbasierte KI-Antworten.

Structured Data / Schema Markup

Maschinenlesbarer Code im JSON-LD-Format, der Entities explizit klassifiziert und ihre Attribute eindeutig auszeichnet.

NLP (Natural Language Processing)

Verarbeitung natürlicher Sprache, die Named Entity Recognition ermöglicht und die Grundlage für entitätsbasiertes Retrieval bildet.

Hallucination

Fehlerhafte Ausgabe einer Answer Engine, die entsteht, wenn Entity-Attribute widersprüchlich oder unvollständig im Wissenssystem hinterlegt sind.

Semantic Search

Suchtechnologie, die Anfragen nach Bedeutung und Entitätsbezug interpretiert statt nach exakten Keyword-Übereinstimmungen.

Zurück zum Glossar