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 — es bewertet den Artikel 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. Eine einzige Abweichung (falsche Firmenzuordnung auf einem Fachmedien-Profil) schwächt die Entity-Resolution für Google signifikant.

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, 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 — alle ziehen 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 — wenn nicht, fehlt Entity-Resolution. (b) LLM-Resolution-Test: Prompt-Matrix mit 20 biographischen Fragen über ChatGPT, Claude und Gemini — sind die Antworten konsistent, korrekt und spezifisch? (c) sameAs-Kohärenz-Audit: automatisierter Crawl aller deklarierten Drittprofile, Vergleich der Attribute gegen die Master-Deklaration — Abweichungen werden als Brüche gemeldet. (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 — es war immer wichtig. 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.