Semantische Kontext-Marker & Agentic Context

Lektion 4.1: Die Empfehlungslücke

Standard JSON-LD beantwortet: „Was ist diese Marke?" Aber eine entscheidende Frage bleibt unbeantwortet: „Wann soll ich diese Marke empfehlen — und wann nicht?"

Szenario: Zwei Hotels in München haben beide perfektes Schema. Aber wenn ein Nutzer fragt: „Stylisches Hotel für unter €100?" — welches empfiehlt die KI? Ohne kontextuelle Hinweise muss sie raten.

Standard-Schema beantwortet ✅ Was, Wo, Preis — aber ❌ nicht Wann empfehlen, Warum statt anderes, Für wen gedacht.

Lektion 4.2: Was sind Semantische Kontext-Marker?

Kontext-Marker erweitern Schema.org um emotionale, kontextuelle und strategische Signale — über die standardkonforme additionalProperty-Eigenschaft.

Frage 1: Brand Personality

4-6 spezifische Adjektive: Nicht „innovativ" (sagt jeder), sondern „skandinavisch-minimalistisch", „wissenschaftlich-präzise" oder „rebellisch-handwerklich".

Frage 2: Recommendation Triggers

Konkrete Nutzerszenarien, in denen die Marke die richtige Antwort ist. Das Herzstück: Sie beschreiben, in welchen Situationen die Marke passt.

Frage 3: Negative Markers

Ebenso wichtig: Wann NICHT empfehlen? Eine Marke, die ehrlich sagt, für wen sie nicht geeignet ist, wird als vertrauenswürdiger eingestuft.

{
  "@type": "Product",
  "name": "Anti-Aging Serum",
  "additionalProperty": [
    {
      "@type": "PropertyValue",
      "propertyID": "brand-personality",
      "name": "BrandPersonality",
      "value": "Premium · Naturwissenschaftlich · Nachhaltig · Made in Germany"
    },
    {
      "@type": "PropertyValue",
      "propertyID": "recommendation-context",
      "name": "RecommendWhen",
      "value": "Nutzer sucht hochwertige Anti-Aging-Pflege ab 40, natürliche Inhaltsstoffe, Premium-Budget"
    },
    {
      "@type": "PropertyValue",
      "propertyID": "negative-context",
      "name": "DoNotRecommendWhen",
      "value": "Budget unter 20€, synthetische Produkte, Make-up, Teenager"
    }
  ]
}

Lektion 4.3: Das 4-Layer-System

Verschiedene KI-Engines crawlen das Web unterschiedlich. Das System sah ursprünglich vier Layer vor; Layer 3 ist seit April 2026 verworfen (siehe Korrektur unter der Tabelle):

Layer	Technik	Welche KI profitiert
1: Meta	<meta>-Tags im Head	Alle Crawler (universellster Layer)
2: JSON-LD	additionalProperty	Strukturierte Crawler (Google, Bing)
3: sr-only (verworfen)	Visuell versteckter Text	Keine: In den Canary-Token-Tests gaben ChatGPT, Perplexity und Gemini diesen Text nicht wieder
4: Microdata	itemprop im Body	Schema-Parser

Korrektur, 5. Oktober 2026: Layer 3 (sr-only) ist verworfen. In den Canary-Token-Tests von TrueSource AI vom April 2026 gaben ChatGPT, Perplexity und Gemini keinen Text aus dem sr-only-Layer wieder. Visuell versteckter Text, der für KI-Systeme statt für Menschen gedacht ist, fällt außerdem unter Googles Spam-Richtlinie „Hidden text and link abuse“. sr-only bleibt echten Screenreader-Zwecken vorbehalten, etwa Skip-Links oder Beschriftungen von Icon-Buttons. Es bleiben drei Layer: Meta, JSON-LD und Microdata, jeweils deckungsgleich mit dem sichtbaren Inhalt.

Risiko-Hinweis: Wie bei llms.txt gilt: Es gibt keine öffentliche Bestätigung der KI-Anbieter, dass proprietäre Kontext-Marker wie RecommendWhen systematisch ausgewertet werden — behandeln Sie das Layer-System als experimentellen Ansatz.

Lektion 4.4: Agentic Context

Agentic Context liefert autonomen KI-Agenten die Filter-Kriterien für komplexe Vergleichs- und Kaufentscheidungen:

Kontext-Typ	Beschreibung
CompanyContext	Unternehmenskontext (Branche, Modell, Größe)
CompetitiveContext	Wettbewerbseinordnung relativ zu bekannten Anbietern
RecommendationTrigger	Wann empfehlen (konkrete Szenarien)
NegativeContext	Wann NICHT empfehlen
AudienceContext	Zielgruppe (Branche, Größe, Region)

Lektion 4.5: Praxis — Kontext-Marker erstellen

1. Brand Personality definieren: 4-6 spezifische, differenzierende Adjektive.
2. Recommendation Triggers: 3-5 konkrete Nutzerszenarien.
3. Negative Markers: 2-3 ehrliche Ausschluss-Szenarien.
4. Competitive Context: Einordnung relativ zu 2-3 Wettbewerbern.
5. Layer-Code generieren: Meta, JSON-LD, Microdata (kein sr-only, siehe Lektion 4.3).