Author-Entity - warum der Autor der Hebel für E-E-A-T ist, nicht der Artikel.

Die Frage, die sich jedes SEO-Team spätestens nach dem dritten Core-Update 2023 stellt: Warum verlieren wir trotz technisch sauberer Umsetzung, starker Backlinks und thematisch relevantem Content systematisch Rankings auf YMYL-nahen Themen? Die Antwort liegt oft nicht im Artikel, sondern in der Ontologie dahinter. Google bewertet E-E-A-T nicht pro Dokument isoliert, sondern im Kontext der verantwortenden Autor-Entität und der publizierenden Organisations-Entität. Ein Artikel ohne attribuierbaren Autor mit nachprüfbarer Expertise startet strukturell unter der Signal-Schwelle, ganz gleich wie gut der Content geschrieben ist.

E-E-A-T als kumulativer Autor-Score

Die historische Verwechslung beginnt beim Namen. E-A-T wurde ursprünglich als Framework in Googles Search Quality Evaluator Guidelines eingeführt, einem Dokument für die menschlichen Rater, die Test-SERPs für Google bewerten. Die Guidelines machen seit der 2022er-Revision explizit, dass Expertise, Authoritativeness und Trustworthiness primär pro Creator bewertet werden, nicht pro Dokument. Ein Artikel erbt E-E-A-T vom Autor. Ein Autor akkumuliert E-E-A-T über seinen gesamten Publikations-Footprint. Das ist der strukturelle Unterschied, der viele technisch gute Content-Teams unter den Wettbewerbs-Rankings hält.

Die Addition der Experience-Dimension 2022 macht diese Logik noch expliziter: Experience beschreibt, ob der Autor aus eigener praktischer Erfahrung schreibt, ein Signal, das nur auf Autor-Ebene beurteilbar ist, nicht auf Artikel-Ebene. Ein Artikel über Laser-Augenchirurgie von einem operierenden Ophthalmologen trägt automatisch andere Experience-Gewichtung als derselbe Text von einem Content-Writer ohne medizinische Praxis. Google erkennt das nur, wenn die Autor-Entität maschinenlesbar mit entsprechenden Credentials, publizierten Fachartikeln und verifizierbaren Rollen verknüpft ist.

Die sieben Schichten einer starken Author-Entity

Schicht 1: Stabile @id-URI. Jeder Autor erhält eine kanonische Person-Schema-Instanz unter einer stabilen URI, typischerweise https://brand.com/#author-max-mustermann oder als dedizierte Autor-Seite /team/max-mustermann/. Die @id ist der Anker-Knoten, auf den alle Article-Schemas per author-Property referenzieren. Ohne diese stabile Referenz bleiben Autoren-Nennungen lexikalische Strings ohne semantische Verknüpfung, eine strukturelle Schwäche, die Google seit der 2023er-Knowledge-Graph-Revision immer schärfer abstraft.

Schicht 2: Person-Schema mit vollständigem Property-Set. Der Schema-Block umfasst name, jobTitle, description, url, image (mit ImageObject-Nested plus caption und license), sameAs-Array (5-15 autoritative Drittprofile), knowsAbout (Topic-Tags der Fach-Expertise), knowsLanguage, worksFor (als Organization-@id-Referenz), alumniOf (ebenfalls @id-verlinkt), hasCredential für formale Qualifikationen. Die Properties bilden kollektiv die maschinenlesbare biographische Signatur. Je dichter und referenzierter das Property-Set, desto höher die Entity-Resolution-Confidence.

Schicht 3: sameAs-Cluster über autoritative Plattformen. sameAs ist die wichtigste Einzel-Property. Sie verlinkt die interne @id mit externen verifizierbaren Identitäten. Für einen SEO-Strategen umfasst das typisch LinkedIn, Crunchbase, GitHub, YouTube-Kanal, Speaker-Plattform-Profile (Notist, SpeakerHub), Wikipedia-Artikel (wenn existent), Wikidata-Q-ID. Für akademische Autoren ergänzen ORCID, Google Scholar, ResearchGate, Semantic Scholar, Crossref-Autor-Profile, VIAF. Für Journalisten kommen Muck Rack, Autor-Profile in Fachmedien, Prolit-Profile, Mastodon-Accounts dazu. Entscheidend ist nicht die Menge, sondern die Konsistenz: identischer Name, gleiches Foto, gleiche Rollenbezeichnung, identische Firmen-Referenz, konsistente biographische Aussagen über alle Plattformen hinweg. Schon eine einzige Abweichung, etwa eine falsche Firmenzuordnung auf einem Fachmedien-Profil, schwächt die Entity-Resolution für Google spürbar.

Schicht 4: Wikidata-Item (bei gegebener Notability). Für Autoren mit externer Notability ist das Wikidata-Item mit Q-ID der strukturell wichtigste Knoten. Googles Knowledge Graph zieht massiv aus Wikidata, und LLMs (ChatGPT, Claude, Gemini) haben Wikidata tief in Trainingsdaten. Das Item sollte mindestens 15 gepflegte Properties mit externen Referenzen enthalten. Für Content-Writer ohne externe Notability ist die Arbeit auf sameAs und Corroboration wichtiger: ein erzwungenes Wikidata-Item ohne Referenzen wird gelöscht und hinterlässt Lösch-Historie.

Schicht 5: Credential-Provenienz mit EducationalOccupationalCredential. Für YMYL-Themen der entscheidende Hebel. Schema.org Credential-Objekte verknüpfen mit ausstellender Institution, beschreiben Kompetenz-Typ (degree, certification, license), verweisen auf Verifikations-URLs. Beispiel: hasCredential-Property auf einer Person, die als EducationalOccupationalCredential verweist auf „MD" von einer bestimmten medizinischen Fakultät mit recognizedBy-Referenz auf Ärztekammer. Diese Chain ist für Google maschinenlesbar und bei YMYL-relevanten Rankings oft der Unterschied zwischen Sichtbarkeit und Unsichtbarkeit.

Schicht 6: Corroboration durch Fachmedien-Erwähnungen. Externe unabhängige Bestätigung der Autoren-Rolle. Ein Autor, der als Quelle in Fachmedien zitiert wird, als Speaker auf Branchen-Konferenzen erscheint, als Gastautor in autoritativen Publikationen schreibt, akkumuliert Corroboration-Signale. Jede externe Bestätigung sollte auf die eigene Author-@id zurücklinken können, idealerweise durch Schema.org Author-Verknüpfung auf der Dritt-Publikation, praktisch oft durch konsistenten Namens-Fingerabdruck plus sameAs-Kohärenz.

Schicht 7: Publishing-Principles und Organisations-Kontext. Schema.org publishingPrinciples verlinkt auf eine Seite, die die redaktionellen Standards der publizierenden Organisation beschreibt: Faktencheck-Prozesse, Korrektur-Policies, Interessenkonflikt-Regeln. Für YMYL-Publisher inzwischen praktisch Pflicht. Die Author-Entity wird dadurch im Kontext einer Organisations-Entity mit expliziten Qualitätsstandards verortet, ein strukturelles E-E-A-T-Signal, das einzelne Artikel nicht erzeugen können.

Der Author-Entity-Aufbau: ein 120-Tage-Protokoll

Tage 1-15: Audit und Name-Collision-Check. Alle vorhandenen Erwähnungen des Autors sammeln, Name-Collisions mit anderen Namensträgern identifizieren (Google Name-Search, LinkedIn, ResearchGate). Bei relevanten Collisions Disambiguation-Strategie festlegen: Mittelname einführen, akademischen Titel konsistent führen, Rollenbezeichnung als Suffix verankern. Baseline-Dokumentation aller existierenden Drittprofile, inklusive inkonsistenter Daten.

Tage 16-45: sameAs-Cluster bereinigen und erweitern. Auf allen existierenden Profilen Konsistenz herstellen: identisches Foto mit hoher Auflösung, identischer Name, identische Rollenbezeichnung, identische Firmenzuordnung. Fehlende autoritative Profile anlegen (ORCID für publizierende Autoren, Crossref-Autor-Profil für wissenschaftliche Publikationen, Muck Rack für Journalisten). Ziel: 10-15 konsistente Drittprofile als sameAs-Kandidaten.

Tage 46-75: Schema-Implementation und @id-Graph. Person-Schema mit vollständigem Property-Set auf der eigenen Domain implementieren, kanonische Autor-Seite mit @id-Anker aufbauen, Article-Schemas aller Publikationen auf die Author-@id referenzieren. Sitemap für Autor-Seite aktualisieren, interne Verlinkung von allen Artikeln auf die Autor-Seite stärken.

Tage 76-90: Wikidata-Item (wenn Notability gegeben). Vorbereitung: 10-15 unabhängige Referenzen für zu belegende Properties sammeln. Item anlegen mit mindestens 15 Properties (P31, P106, P108, P69, P1416, externe Identifier). Dritt-Editoren zur Prüfung einladen. Watchlist zur Drift-Kontrolle aktivieren.

Tage 91-120: Corroboration-Initiative. Gezieltes Platzieren von Autoren-Erwähnungen in 3 bis 5 autoritativen Fachmedien mit konsistenten biographischen Fakten. Speaker-Auftritte auf Branchen-Konferenzen dokumentieren und in Credential-Kette einspeisen. Publishing-Principles-Seite der Organisation aufsetzen und verlinken.

Author-Entity im LLM-Zeitalter

Die Relevanz der Author-Entity eskaliert mit der LLM-Suche. Wenn ein Nutzer ChatGPT, Claude oder Perplexity fragt „Wer ist der führende Experte zu Thema X?", ziehen die Modelle aus Entity-Graph-Signalen, sameAs-Kohärenz und Corroboration-Dichte. Autoren mit starker strukturierter Präsenz werden konsistent zitiert; Autoren ohne bleiben entweder unsichtbar oder werden halluziniert. Das ist kein abstraktes Problem: In der Beratungspraxis sehen wir regelmäßig Fälle, in denen LLMs Autoren falsch zuordnen. Einem Autor werden Artikel anderer Autoren zugeschrieben, oder seine Rolle wird falsch dargestellt. Die Ursache ist fast immer eine inkonsistente oder fehlende Author-Entity-Struktur.

Für Content-Marken hat das strategische Konsequenzen. Statt Autoren-Bylines als kosmetisches Feature zu behandeln, müssen Autoren als langfristig aufgebaute Entity-Assets gepflegt werden. Eine Marke mit drei starken Author-Entities in ihrem Fachbereich kumuliert E-E-A-T-Signale, die einzelne anonyme Artikel niemals erreichen. Die Investition in Autoren-Sichtbarkeit zahlt sich dreifach aus: Google-Rankings, AIO-Citations und LLM-Zitationen ziehen alle aus demselben Entity-Substrat.

Häufige Fehler beim Author-Entity-Aufbau

Sechs Muster, die in der Beratungspraxis hartnäckig wiederkehren und strukturell limitierend wirken.

Erstens: Ghost-Writer-Kollisionen. Wenn der Byline-Autor nicht der tatsächliche Autor ist, bricht Experience-Signal. Google und LLMs erkennen Inkonsistenzen zwischen deklarierten Credentials und tatsächlichem Publikationsmuster. Transparenz (Ghost-Writer-Deklarationen, Co-Author-Struktur) ist besser als Fiktion.

Zweitens: Autor-Seite ohne @id-Anker. Eine Bio-Seite unter /team/max-mustermann/ ohne expliziten Schema-@id-Anker funktioniert für Menschen, nicht für Maschinen. Der @id-Anker mit #person-Fragment ist der eigentliche Knoten, auf den Article-Schemas verweisen müssen.

Drittens: Schwacher sameAs-Cluster. Drei Drittprofile reichen nicht. Unter zehn sameAs-Referenzen bleibt die Entity-Resolution schwach. Und: Inkonsistente Drittprofile (veraltete Rolle auf LinkedIn) schwächen stärker, als gar keine zusätzlichen Profile.

Viertens: Credential-Chain ohne Referenzen. EducationalOccupationalCredential-Objekte ohne recognizedBy- oder verifizierbare URL-Referenz sind wertlose Signale. Jedes Credential braucht eine Rückverankerung zur ausstellenden Institution.

Fünftens: Wikidata-Item ohne Pflege. Einmalig angelegte Wikidata-Items, die über Jahre nicht gepflegt werden, driften durch Dritt-Edits und werden durch veraltete Fakten eher Liability als Asset. Quartalsweise Pflege ist Pflicht.

Sechstens: Fehlender Organisations-Kontext. Eine Author-Entity ohne worksFor-Referenz auf eine Organization-Entity ist Inkonsistent. Google erwartet die Verankerung in einem Publisher-Kontext mit eigenen E-E-A-T-Signalen.

Messung: Stärke der Author-Entity quantifizieren

Vier Indikatoren mit konkreten Tests. (a) Google Knowledge Graph Search API: der Autor wird als Knoten mit eigenem @id und Score zurückgeliefert, und wenn nicht, fehlt Entity-Resolution. (b) LLM-Resolution-Test: Prompt-Matrix mit 20 biographischen Fragen über ChatGPT, Claude und Gemini, geprüft auf konsistente, korrekte und spezifische Antworten. (c) sameAs-Kohärenz-Audit: automatisierter Crawl aller deklarierten Drittprofile, Vergleich der Attribute gegen die Master-Deklaration, wobei Abweichungen als Brüche gemeldet werden. (d) Citation-Rate in der eigenen Fach-Nische: 200-500 fachspezifische Prompts über einen Multi-Model-Tracker, Messung der Autor-Zitation über Zeit.

Diese vier Metriken bilden zusammen den Author-Entity-Strength-Score, den wir im LLM Citation Monitoring als Sub-Metrik für Fach-Autoren standardmäßig tracken.

Fazit: Autoren sind Assets, nicht Attribute

Die strukturelle Verschiebung der letzten drei Jahre ist nicht, dass E-E-A-T wichtiger wurde, denn wichtig war es immer. Die Verschiebung ist, dass E-E-A-T maschinenlesbar prüfbar geworden ist. Google liest Autor-Entities aus Schema, LLMs lesen sie aus strukturierten Daten und Entity-Graphen, AIO zieht aus beidem. Wer Autoren als Attribute von Artikeln behandelt, baut Content-Infrastruktur auf zerbrechlichem Fundament. Wer Autoren als eigenständige, langfristig gepflegte Entity-Assets versteht, akkumuliert E-E-A-T-Signale, die auf den gesamten Content-Output ausstrahlen und in klassischer Suche wie in LLM-Zitation kumulativ wirken.

Die operative Konsequenz: Autoren-Entity-Aufbau gehört als dedizierte Workstream in jedes ernsthafte SEO-Programm. Nicht als SEO-Detail, sondern als strategische Investition mit dreijährigem Return. Der Aufwand pro Autor ist klar quantifizierbar: 120 Tage strukturierter Arbeit plus quartalsweise Pflege. Der Return liegt in höheren YMYL-Rankings, höherer AIO-Citation-Rate, konsistenter LLM-Zitation und einer Marke, deren Fachexpertise maschinenlesbar verifizierbar ist.